基于约束函数因果模型的因果发现方法

在本节中，我们将介绍基于约束函数因果模型的因果发现方法。目前我们有基于 LiNGAM 的方法（基于 ICA 的 LiNGAM [1]、DirectLiNGAM [2]、VAR-LiNGAM [3]、RCD [4] 和 CAM-UV [5]）、后非线性 (PNL [6]) 因果模型以及加性噪声模型 (ANM [7])。

目录

• 基于 LiNGAM 的方法
  • 基于 ICA 的 LiNGAM
    • 参数
    • 返回值
  • DirectLiNGAM
    • 参数
    • 返回值
  • VAR-LiNGAM
    • 参数
    • 返回值
  • RCD
    • 参数
    • 返回值
  • CAM-UV
    • 参数
    • 返回值
• 后非线性因果模型
  • 算法介绍
  • 用法
  • 参数
  • 返回值
• 加性噪声模型
  • 算法介绍
  • 用法
  • 参数
  • 返回值

[1]

Shimizu, S., Hoyer, P. O., Hyvärinen, A., Kerminen, A., & Jordan, M. (2006). A linear non-Gaussian acyclic model for causal discovery. Journal of Machine Learning Research, 7(10).

[2]

Shimizu, S., Inazumi, T., Sogawa, Y., Hyvärinen, A., Kawahara, Y., Washio, T., … & Bollen, K. (2011). DirectLiNGAM: A direct method for learning a linear non-Gaussian structural equation model. The Journal of Machine Learning Research, 12, 1225-1248.

[3]

Hyvärinen, A., Zhang, K., Shimizu, S., & Hoyer, P. O. (2010). Estimation of a structural vector autoregression model using non-gaussianity. Journal of Machine Learning Research, 11(5).

[4]

Maeda, T. N., & Shimizu, S. (2020, June). RCD: Repetitive causal discovery of linear non-Gaussian acyclic models with latent confounders. In International Conference on Artificial Intelligence and Statistics (pp. 735-745). PMLR.

[5]

Maeda, T. N., & Shimizu, S. (2021). Causal Additive Models with Unobserved Variables. UAI.

[6]

Zhang, K., & Hyvärinen, A. (2009, June). On the Identifiability of the Post-Nonlinear Causal Model. In 25th Conference on Uncertainty in Artificial Intelligence (UAI 2009) (pp. 647-655). AUAI Press.

[7]

Hoyer, P. O., Janzing, D., Mooij, J. M., Peters, J., & Schölkopf, B. (2008, December). Nonlinear causal discovery with additive noise models. In NIPS (Vol. 21, pp. 689-696).