标签
一篇关于在含定向环与潜在混杂因子的线性高斯结构因果模型中学习因果结构的论文，提出了边际准等价性（marginal quasi-equivalence）以及一种带有一致复杂度惩罚的可微伯努利门参数化方法。
本文分析了在潜在混杂下线性高斯网络中贝叶斯因果发现如何失败，推导出一个导致评分函数偏好虚假边的相关性阈值，并刻画了两种不同的后验失败模式。
提出了一种有限样本方法，利用高阶累积量恢复含潜在混杂变量的线性非高斯无环模型中的最稀疏DAG，且不限制潜在变量的数量。
FoundCause 是一种摊销式因果关系发现模型，能够显式处理潜在混杂因素和缺失数据，在真实数据集上通过单次前向传播即可超越15种现有方法。