混合潜在混淆下的因果发现

本文解决了在混合潜在混淆存在下的因果发现这一难题，这是一种常见的情况，即未观察到的因素以复杂的方式影响观察到的变量。 提出的方法 DCL-DECOR 提供了一种新颖的方法，通过分解精度矩阵来分离普遍存在的潜在影响，然后应用相关噪声 DAG 学习器。 模块化设计和可识别性结果很有希望，实验结果表明比现有方法有所改进。 本文的贡献在于为现实环境中的因果推断提供了一种更稳健、更准确的方法。

• •提出了 DCL-DECOR，一种在混合潜在混淆下进行因果发现的新方法。
• •采用精度矩阵分解来隔离普遍存在的潜在影响。
• •将相关噪声 DAG 学习器应用于去混淆表示。
• •在合成实验中展示了比现有方法更好的性能。