非高斯因果发现新突破：连续优化求解DAG，性能超越现有方法！
MARCEDES: Score-based causal discovery under non-Gaussianity with continuous optimization
📖 AI 总结
本文提出一种基于评分函数的因果发现方法MARCEDES，用于学习非高斯误差结构方程模型所对应的因果有向无环图。作者从全拉普拉斯误差的故意误设模型出发，引入平均绝对残差风险，并证明真实加权因果DAG矩阵的渐近风险严格小于其他任何矩阵。为提升通用性并适应高维与有限样本情形，方法进一步加入行特定稀疏惩罚与软DAG约束，在实数矩阵空间上构造连续评分函数，将DAG学习转化为无约束评分最小化问题，从而借助梯度优化避开约束优化的困难。作者还设计了处理评分目标非光滑性并在广义贝叶斯框架下优化行特定稀疏惩罚的算法。大量模拟实验表明，该方法在效率和性能上优于现有方法。
🔑 关键词速览
| 结构方程模型 (SEM) | 一种描述变量间因果关系的统计模型，由结构方程和误差项组成。 |
| 有向无环图 (DAG) | 一种没有有向环的图，用于表示变量间的因果依赖关系。 |
| 非高斯性 | 指误差项不服从高斯分布，通常用于因果发现中识别因果方向。 |
| 平均绝对残差风险 | 本文提出的一种风险函数，基于残差的绝对值的平均，用于衡量矩阵与真实因果结构的接近程度。 |
| 连续优化 | 通过梯度等连续方法优化目标函数，避免离散搜索，常用于处理DAG约束。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅