arXiv cs.AI· Danru Xu, Aapo Hyv\"arinen, Sara Magliacane·· 11 小时前AI 评分24
LinADMG：用多域可识别表示学习实现含隐混杂的线性模型因果发现
Causal Discovery for Linear Models with Latent Confounding via Multi-domain Identifiable Representation Learning
AI 导读
研究者提出 LinADMG 框架，通过多域可识别表示学习为含隐混杂的线性因果模型学习 ADMG，不依赖非高斯性或 bow-freeness 假设。该框架证明噪声变量的可识别性足以恢复全部直接因果关系，并在额外的隐混杂无抵消条件下识别完整 ADMG。LinADMG 用四种现有可识别表示学习方法实现，并在模拟与半合成数据集上完成验证。
正文 · AI 翻译
摘要：带有潜在混杂的因果发现尤其具有挑战性，但却是现实世界数据中的常见情形。在本工作中，我们聚焦于由无环有向混合图（ADMG）表示的、带有潜在混杂的线性因果模型。现有能够完全识别 ADMG 的方法通常假设非高斯性或图形约束，例如无弓性。相比之下，我们提出 Linear ADMG Learning（LinADMG），这是一个通过可识别表示学习来学习线性因果模型 ADMG 的框架。LinADMG 不依赖非高斯性或无弓性，而是利用多域设置来识别噪声变量。我们证明，噪声变量的可识别性足以恢复所有直接因果关系，并且在额外的潜在混杂无抵消条件下，LinADMG 能够识别整个 ADMG。我们采用文献中的四种可识别表示学习方法实现 LinADMG，并在模拟和半合成数据集上验证了这些方法。
| 评论： | 29 页，6 幅图 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.28134 [cs.LG] |
| （或 arXiv:2610.28134v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28134 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Danru Xu [查看电子邮件]
[v1]
2026 年 10 月 20 日星期二 12:43:23 UTC（241 KB）
来源：arXiv cs.AI · arxiv.org