Causal Discovery of Linear Non-Gaussian Causal Models with Unobserved Confounding
存在不可观测混杂的线性非高斯因果模型发现AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究潜在混杂下的因果结构识别与因果效应估计，支持因果推断分类，未提供经济结构估计应用的依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
存在不可观测混杂的线性非高斯因果模型发现
- 研究问题
- 在线性非高斯结构方程模型存在潜在混杂时，如何在未知潜变量数量的情况下发现因果结构，并处理具体因果效应的有限多解？
- 方法与思路
- 作者提出递归算法，利用高阶累积量矩阵的秩条件寻找源变量、估计其及潜在父节点的影响，再从数据中消除这些影响。
- 材料陈述的贡献
- 摘要称，在局部潜变量数不超过观测变量数的条件下算法渐近正确，且无需预先知道潜变量数量，模拟表现与过完备 ICA 相当。
- 阅读关注点
- 应核对结构可识别与效应多解的区别、局部潜变量数量条件的定义，以及秩条件、递归消除步骤和渐近正确性证明的前提。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核验；摘要明确具体效应一般不能唯一识别，也未列出渐近正确性所需的全部条件。
原文摘要
We consider linear non-Gaussian structural equation models that involve latent confounding. In this setting, the causal structure is identifiable, but, in general, it is not possible to identify the specific causal effects. Instead, a finite number of different causal effects result in the same observational distribution. Most existing algorithms for identifying these causal effects use overcomplete independent component analysis (ICA), which often suffers from convergence to local optima. Furthermore, the number of latent variables must be known a priori. To address these issues, we propose an algorithm that operates recursively rather than using overcomplete ICA. The algorithm first infers a source, estimates the effect of the source and its latent parents on their descendants, and then eliminates their influence from the data. For both source identification and effect size estimation, we use rank conditions on matrices formed from higher-order cumulants. We prove asymptotic correctness under the mild assumption that locally, the number of latent variables never exceeds the number of observed variables. Simulation studies demonstrate that our method achieves comparable performance to overcomplete ICA even though it does not know the number of latents in advance.