无需非高斯性的多视图因果发现：可识别性与算法
Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms
精选理由
利用多视角数据在不依赖非高斯假设的情况下识别因果结构，并提供算法与脑影像应用验证。
AI 摘要
arXiv:2502.20115v5 公告类型：替换 摘要：因果发现是一个难题，通常依赖于对数据生成模型的强假设，例如非高斯性。在实践中，许多现代应用提供了同一系统的多个相关视图，但因果发现很少考虑这一点。在本文中，我们利用这种多视图结构，在较弱假设下实现因果发现。我们提出了一种多视图线性结构方程模型（SEM），通过利用跨视图相关性替代非高斯扰动假设，扩展了广为人知的非高斯扰动框架。我们证明了该模型在无环 SEM 情形下的可识别性。随后，我们受单视图算法（DirectLiNGAM、PairwiseLiNGAM 和 ICA-LiNGAM）启发，提出了若干多视图因果发现算法。通过仿真实验和神经影像数据应用，我们验证了这些新方法，并利用它们估计了脑区之间的因果图。