基于因果自回归流模型的因果结构学习算法

因果自回归流模型已经在非独立噪声等场景的因果方向推断问题上取得了一定的进展，但在多个结点的场景下仍存在全局结构搜索带来的准确度低和计算时间复杂度高的问题。面向非时序观察数据设计一种两阶段因果结构学习算法。在第一阶段，基于观测数据的条件独立性，对完全无向图通过条件独立性检验得到基本的因果骨架；在第二阶段，基于因果自回归流模型，通过标准化流的方法计算骨架中每条无向边在不同方向上的边缘似然概率，进而通过比较边缘似然概率进行因果方向推断。实验结果表明：该算法在多组不同参数生成的仿真因果结构数据集上均有较好的表现，与现有的主流因果结构学习算法相比，F1值平均提升15%～28%；在真实因果结构数据集实验中，该算法能够较为完整准确地学习到变量间的因果关系，与主流的因果结构学习算法相比，F1值平均提升28%～48%，具有更强的鲁棒性。