Contrast-Free ICA and Causal Inference via Wasserstein Distances to the Gaussian
通过到高斯分布的 Wasserstein 距离进行无对比函数 ICA 与因果推断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：摘要明确将非高斯性准则用于 LiNGAM 因果发现和因果顺序识别；ICA 本身不足以据此归为宏观或金融因子模型。
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…
通过到高斯分布的 Wasserstein 距离进行无对比函数 ICA 与因果推断
- 研究问题
- 能否以到标准高斯分布的平方二阶 Wasserstein 距离衡量非高斯性，从而避免预选对比函数，并识别独立成分和线性因果顺序？
- 方法与思路
- 作者利用该距离的严格次可加性研究总体识别，以经验次序统计量构造插值估计，并提供正交优化、动态规划和贪心求解器。
- 材料陈述的贡献
- 摘要称给出 ICA 解混矩阵在符号置换意义下的精确识别、因果顺序刻画及有限矩条件下的一致收敛，并提供开源实现。
- 阅读关注点
- 应核对 ICA 与 LiNGAM 的模型条件、距离计算前的数据处理、统一收敛所需矩条件，以及三种求解器的全局性和计算规模。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；准则只需有限二阶矩不代表全部理论仅需此条件，竞争性表现亦非普遍优越。
原文摘要
We study the squared $2$-Wasserstein distance to the standard Gaussian as a non-Gaussianity criterion and use it for linear Independent Component Analysis (ICA) and causal discovery in Linear Non-Gaussian Acyclic Models (LiNGAM). Unlike commonly used parametric contrasts and approximations of information-theoretic quantities, this criterion requires no distributional regularity beyond finite second moments, involves neither approximation nor tuning parameters, and can be computed exactly and efficiently from empirical order statistics. Our analysis relies on a strict subadditivity property of the $2$-Wasserstein distance to the Gaussian. At the population level, we prove exact identification of the ICA unmixing matrix, up to signed permutation, and give an analogous characterization of causal orders through sequential least-squares residuals. We then define empirical plug-in estimators and prove distribution-free uniform convergence under finite-moment assumptions, before detailing three practical solvers: a Picard-style orthogonal optimizer for ICA, an exhaustive dynamic program for causal order search, and a greedy order search variant. Empirically, we demonstrate competitive performance for both tasks and provide open-source implementations for source separation and causal discovery.