LoSAM: Local Search in Additive Noise Models with Mixed Mechanisms and General Noise for Global Causal Discovery

要約

観察データからの因果関係を推測することは、実験が費用や実行不可能である場合に重要です。
アディティブノイズモデル（ANM）は、一意の指向性環状グラフ（DAG）識別を有効にしますが、既存のサンプル効率の高いANMメソッドは、多くの場合、データ生成プロセスの制限的な仮定に依存し、実際の設定への適用性を制限します。
混合因果メカニズムと一般的な騒音分布を備えたANMでユニークなDAGを学習するためのトポロジカル順序付け方法であるAdditive Noise Models、Losamでのローカル検索を提案します。
根と葉を識別するための新しい因果基準と基準を紹介し、効率的なトップダウン学習を可能にします。
漸近の一貫性と多項式ランタイムを証明し、スケ​​ーラビリティとサンプル効率を確保します。
合成および実世界のデータでLOSAMをテストし、すべての混合メカニズム設定で最先端のパフォーマンスを実証します。

要約(オリジナル)

Inferring causal relationships from observational data is crucial when experiments are costly or infeasible. Additive noise models (ANMs) enable unique directed acyclic graph (DAG) identification, but existing sample-efficient ANM methods often rely on restrictive assumptions on the data generating process, limiting their applicability to real-world settings. We propose local search in additive noise models, LoSAM, a topological ordering method for learning a unique DAG in ANMs with mixed causal mechanisms and general noise distributions. We introduce new causal substructures and criteria for identifying roots and leaves, enabling efficient top-down learning. We prove asymptotic consistency and polynomial runtime, ensuring scalability and sample efficiency. We test LoSAM on synthetic and real-world data, demonstrating state-of-the-art performance across all mixed mechanism settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google