Identifiable Multi-View Causal Discovery Without Non-Gaussianity

要約

マルチビュー構造方程式モデル（SEM）のフレームワークにおける線形因果発見に対する新しいアプローチを提案します。
提案されたモデルは、見解よりも多様性の多様性を想定して、より広く適用できるようにすることにより、非ガウス障害のよく知られている仮定を緩和します。
モデルのすべてのパラメーターの識別可能性が、非環境である以外のSEMの構造に関するさらなる仮定がないことを証明します。
さらに、マルチビュー独立コンポーネント分析（ICA）の最近の進歩に基づいて、推定アルゴリズムを提案します。
提案された方法論は、実際のニューロイメージングデータに関するシミュレーションとアプリケーションを通じて検証され、脳領域間の因果グラフの推定が可能になります。

要約(オリジナル)

We propose a novel approach to linear causal discovery in the framework of multi-view Structural Equation Models (SEM). Our proposed model relaxes the well-known assumption of non-Gaussian disturbances by alternatively assuming diversity of variances over views, making it more broadly applicable. We prove the identifiability of all the parameters of the model without any further assumptions on the structure of the SEM other than it being acyclic. We further propose an estimation algorithm based on recent advances in multi-view Independent Component Analysis (ICA). The proposed methodology is validated through simulations and application on real neuroimaging data, where it enables the estimation of causal graphs between brain regions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google