🔥 今日值得一读
缺失数据也能做因果发现！新框架让因果图在非随机缺失下依然可识别
Generalizing Identifiability Results in Causal Discovery from Complete Data to Missing Data Settings
👨💼 主理人解读 · 为什么值得关注
为处理缺失值的因果发现提供理论保证，开发者可据此把现有完整数据算法安全扩展到缺失数据场景。
📖 AI 总结
该论文针对因果发现方法在缺失数据场景下发展滞后的问题，提出了一套将完整数据下的可识别性结论推广至缺失数据的一般性理论框架。作者给出了因果图在多种缺失机制（包括非随机缺失）下仍可被唯一确定的充分条件：缺失机制之间不存在因果交互、变量不会直接导致自身缺失，且缺失机制满足忠实性或服从广义线性模型。在此理论指导下，作者进一步提出两种针对加性噪声模型的渐近正确算法，能够恢复潜在因果图并给出相合的参估计。这项工作为缺失数据下的因果发现提供了统一的理论保证，弥合了完整数据与缺失数据方法之间的鸿沟。
🔑 关键词速览
| 因果发现 | 从观测数据中推断变量间因果关系结构的方法。 |
| 可识别性 | 指因果图能够从数据分布中唯一确定，不依赖于模型假设。 |
| 非随机缺失 | 缺失机制依赖于未观测或观测到的变量值，而非完全随机。 |
| 加性噪声模型 | 一种因果发现模型，假设每个变量是其原因变量的函数加上独立噪声。 |
| 忠实性 | 假设数据中的条件独立性恰好对应于因果图中的d-分离关系。 |
📱 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