从观察数据中发现因果关系得到越来越多的关注,而学习隐变量间的因果结构是总所周知的挑战。本文通过利用数据非高斯型,提出了一种能够估计隐变量结构的三分体准则(Triad). 具体来讲就是设计了一种伪残差(pseudo-residual)对三个变量,证明了对于两个隐变量,我们对其观察变量进行有限的测试之后,因果方向是能够发现的。换句话说,Triad能够帮助我们定位隐变量的位置同时决定隐变量间的方向。对于非高斯数据来说,Triad相比较于传统的Tetrad准则能够得到更多的隐变量信息。最后我们提出了一种两步的算法去解决测量模型中的隐变量发现问题。实验结果也证明我们算法的有效性。
详情:https://mp.weixin.qq.com/s/qStBminRZSLH1Bbx4lXkEg