ترجمه فارسی مقاله کشف علّی مدل‌های علّی غیر گاوسی خطی با عوامل مخدوش‌کننده مشاهده نشده

چکیده

We consider linear non-Gaussian structural equation models that involve latent confounding. In this setting, the causal structure is identifiable, but, in general, it is not possible to identify the specific causal effects. Instead, a finite number of different causal effects result in the same observational distribution. Most existing algorithms for identifying these causal effects use overcomplete independent component analysis (ICA), which often suffers from convergence to local optima. Furthermore, the number of latent variables must be known a priori. To address these issues, we propose an algorithm that operates recursively rather than using overcomplete ICA. The algorithm first infers a source, estimates the effect of the source and its latent parents on their descendants, and then eliminates their influence from the data. For both source identification and effect size estimation, we use rank conditions on matrices formed from higher-order cumulants. We prove asymptotic correctness under the mild assumption that locally, the number of latent variables never exceeds the number of observed variables. Simulation studies demonstrate that our method achieves comparable performance to overcomplete ICA even though it does not know the number of latents in advance.

چکیده به فارسی (ترجمه ماشینی)

ما مدلهای معادله ساختاری غیر گاوسی خطی را در نظر می گیریم که شامل مخدوش بودن نهفته است.در این تنظیم ، ساختار علی قابل شناسایی است ، اما به طور کلی ، شناسایی اثرات علیت خاص امکان پذیر نیست.در عوض ، تعداد محدودی از اثرات علیت مختلف منجر به توزیع مشاهده یکسان می شود.بیشتر الگوریتم های موجود برای شناسایی این اثرات علی از تجزیه و تحلیل مؤلفه مستقل (ICA) استفاده می کنند ، که اغلب از همگرایی تا Optima محلی رنج می برند.علاوه بر این ، تعداد متغیرهای نهفته باید پیشینی شناخته شود.برای پرداختن به این موضوعات ، ما الگوریتمی را پیشنهاد می کنیم که به جای استفاده از ICA بیش از حد ، به صورت بازگشتی عمل می کند.این الگوریتم ابتدا یک منبع را تحت الشعاع قرار می دهد ، تأثیر منبع و والدین نهفته آن را بر فرزندان خود تخمین می زند و سپس تأثیر آنها را از داده ها از بین می برد.برای هر دو شناسایی منبع و تخمین اندازه اثر ، ما از شرایط رتبه در ماتریس هایی که از تجمعات مرتبه بالاتر تشکیل شده اند استفاده می کنیم.ما صحت بدون علامت را با این فرض خفیف اثبات می کنیم که به صورت محلی ، تعداد متغیرهای نهفته هرگز از تعداد متغیرهای مشاهده شده فراتر نمی رود.مطالعات شبیه سازی نشان می دهد که روش ما به عملکرد قابل مقایسه ای برای غلبه بر ICA دست می یابد ، حتی اگر از قبل تعداد معادل ها را نمی داند.