简介：在各种科学和工业情景中，发现一组变量之间的因果结构是一项重要任务。基于数据联合分布中有限个独立同分布的样本点，因果发现是一个具有挑战性的组合问题。近年来结构化因果模型的发展，特别是NOTEARS方法为因果发现提供了一个可微分的优化框架。他们将结构学习问题表述为对观测数据进行最大似然估计(即变量重构)的任务，具有特定的结构约束，如无环性和稀疏性。尽管在可扩展性方面取得了成功，但我们发现，优化这些可微方法的目标并不总是与学习因果图的正确性相一致，特别是当变量在真实数据中携带异构噪声(即不同的噪声类型和噪声方差)时。在本文中，我们证明了它们容易产生错误结构的主要原因是过度重构问题，即变量的噪声被吸收到变量重构过程中，导致变量重构残差之间存在依赖关系，并根据FCM理论提出了结构可识别性问题。为了解决这一问题，我们提出了一种新的可微方法，即以对抗性的方式施加显式的残差独立性约束。仿真和真实数据的大量实验结果表明，本文提出的方法对外部噪声的异质性不敏感，可以显著提高因果发现性能。

 

链接：https://dl.acm.org/doi/10.1145/3447548.3467439

推荐理由：本文讲因果语义添加到了因果发现的可导框架之中，具有极强的应用价值与理论意义，有助于这个领域未来的发展。

内容中包含的图片若涉及版权问题，请及时与我们联系删除