从纯观测数据中发现因果结构（即，因果发现），旨在识别变量之间的因果关系，是机器学习中的基本任务。最近的可微分基于得分的DAG学习器的发明是关键的推动者，它将组合优化问题转变为具有DAG约束的可微分优化问题，这个约束位于有向图空间上。尽管这些前沿的DAG学习器取得了巨大成功，但它们结合了独立于DAG-ness的得分函数来评估有向图候选项，而忽视了考虑图结构。结果，仅考量数据适应性而不考虑DAG-ness不可避免地导致了发现次优的DAG和模型的脆弱性。为此，我们提出了一种动态的因果空间用于DAG结构学习，我们称之为CASPER，它将图结构融入到得分函数中作为一种新的测量方法，在因果空间中忠实地反映出估计的DAG和基准DAG之间的因果距离。CASPER修订了学习过程，并通过对DAG-ness的自适应关注来增强DAG结构学习。经验可视化验证，CASPER作为空间，满足了一系列期望的特性，如结构意识和对噪声的鲁棒性。在合成数据和实际数据集上的广泛实验清楚地验证了我们的CASPER在准确性和鲁棒性方面超越了最先进的因果发现方法。
https://www.zhuanzhi.ai/paper/86c37ab8b60e0e9ed7123051e5bdeeed
成为VIP会员查看完整内容
Discovering Dynamic Causal Space for DAG Structure Learning
相关内容
Arxiv
0+阅读 · 2023年8月1日
Arxiv
0+阅读 · 2023年7月31日
Arxiv
10+阅读 · 2021年9月24日
相关VIP内容
相关资讯
相关论文
Arxiv
0+阅读 · 2023年8月1日
Arxiv
0+阅读 · 2023年7月31日
Arxiv
10+阅读 · 2021年9月24日
微信扫码咨询专知VIP会员