为此,Xie等人[Xie et al., 2020 & Cai et al., 2019]根据观察数据的高阶统计量,设计了GIN (Generalized Independent Noise condition) 条件,以刻画潜在隐变量间的分离准则。直观上来说:泛化独立噪声(GIN) 条件是关于刻画观察变量的组合之间是否独立的性质,所以它可以被认为是经典的独立噪声 (independent noise (IN)) 条件的一种扩展。我们发现,通过检验一些GIN条件是否成立,能够帮助找出因果隐变量是否存在,所在位置,以及这些隐变量之间的因果关系。基于此,我们提出了一种两阶段的GIN发现算法,首先去定位隐变量及其个数,其次学习隐变量间的因果关系。 | 为此,Xie等人[Xie et al., 2020 & Cai et al., 2019]根据观察数据的高阶统计量,设计了GIN (Generalized Independent Noise condition) 条件,以刻画潜在隐变量间的分离准则。直观上来说:泛化独立噪声(GIN) 条件是关于刻画观察变量的组合之间是否独立的性质,所以它可以被认为是经典的独立噪声 (independent noise (IN)) 条件的一种扩展。我们发现,通过检验一些GIN条件是否成立,能够帮助找出因果隐变量是否存在,所在位置,以及这些隐变量之间的因果关系。基于此,我们提出了一种两阶段的GIN发现算法,首先去定位隐变量及其个数,其次学习隐变量间的因果关系。 |