🔥 今日值得一读
离散数据也能做因果发现！新方法DISCO准确恢复计数数据DAG
Discrete Score Matching Enables Causal Discovery from Count Data
👨💼 主理人解读 · 为什么值得关注
可从计数型数据中恢复因果结构，适用于离散观测场景的因果推断任务。
📖 AI 总结
本文针对计数数据难以进行基于得分匹配的因果发现问题展开研究。由于计数数据不存在导数，简单以有限差分替代通常无法满足因果发现的需求。作者将SCORE的常曲率准则推广为以节点取值为条件的条件曲率得分（CCS），用于确定因果顺序，并通过非对角曲率得分（OCS）扩展基于曲率的父节点恢复方法，从而实现有向无环图（DAG）的恢复。在双变量情形下，CCS为零恰好刻画了一类半参数广义线性模型（GLM）的条件形式，且无需预先指定条件分布族；在正则条件下，典范参数的非线性是模型可识别性的充要条件。该框架识别出一类新的半参数GLM DAG，严格包含SCORE所识别的非线性高斯ANM类。作者进一步提出DISCO算法，利用离散扩散估计CCS与OCS，在泊松、负二项、二项及混合分布等设置下均能准确恢复DAG，并可在单块GPU上扩展至1000个节点。
🔑 关键词速览
| 条件曲率分数 (CCS) | 一种通过以节点取值为条件推广常曲率准则而得到的分数，用于因果排序。 |
| 非对角曲率分数 (OCS) | 一种基于曲率的分数，用于恢复有向无环图中的父节点关系。 |
| 半参数广义线性模型 (GLM) | 一种条件分布族无需预先指定的广义线性模型，比经典 GLM 更灵活。 |
| 有向无环图 (DAG) | 一种没有有向环的图，常用于表示变量之间的因果关系。 |
| DISCO | 一种利用离散扩散估计 CCS 和 OCS 的计数数据 DAG 恢复算法。 |
📱 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