Local Causal Discovery with Linear non-Gaussian Cyclic Models

本地因果发现具有极大的实际意义，因为通常情况下发现全局因果结构是不必要的，而兴趣仅在于单个目标变量。大多数现有的本地方法利用条件独立关系，仅提供部分有向图，并假定基础真实结构是无环的，即使现实世界的情况通常涉及反馈机制等循环。在本研究中，我们提出了一种具有线性非高斯模型的通用、统一的本地因果发现方法，无论它们是循环还是无环。我们将独立成分分析的应用从全局上下文扩展到独立子空间分析，从目标变量的马尔可夫毯中精确识别等效的本地有向结构和因果强度。我们还提出了一种基于回归的替代方法，适用于特定的无环情况。我们的可识别性结果在合成和真实世界数据集上得到了实证验证。

本论文旨在提出一种通用的、统一的局部因果发现方法，适用于线性非高斯模型，无论它们是循环还是非循环的。目的是从目标变量的马尔可夫毯子中精确识别等效的局部有向结构和因果强度。

本论文的关键思路是扩展独立成分分析的应用，从全局上下文到独立子空间分析，实现了对等效局部有向结构和因果强度的精确识别。

论文提出的方法在合成数据集和真实世界数据集上进行了实验验证，并得出了可辨识性结果。此外，论文还提出了一种基于回归的替代方法。值得进一步研究的工作包括如何处理非线性模型以及如何扩展到更广泛的因果发现问题。

最近在这个领域中，还有一些相关研究，如：'Causal Discovery from Nonstationary/Heterogeneous Data: Skeleton Estimation and Orientation Determination'、'Causal Discovery from Spatio-Temporal Data: A Review'、'Causal Discovery with Reinforcement Learning'等。