Publication

Score Matching Enables Causal Discovery of Nonlinear Additive Noise Models

Volkan Cevher, Paul Thierry Yves Rolland
2022
Conference Papers

Résumé

This paper demonstrates how to recover causal graphs from the score of the data distribution in non-linear additive (Gaussian) noise models. Using score matching algorithms as a building block, we show how to design a new generation of scalable causal discovery methods. To showcase our approach, we also propose a new efficient method for approximating the score’s Jacobian, enabling to recover the causal graph. Empirically, we find that the new algorithm, called SCORE, is competitive with state-of-theart causal discovery methods while being significantly faster.

Source officielle

https://infoscience.epfl.ch/entities/publication/b190a609-48fe-4c3f-a824-29564d0384d7

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Score Matching Enables Causal Discovery of Nonlinear Additive Noise Models

Chattez avec Graph Search

Global existence for perturbations of the 2D stochastic Navier-Stokes equations with space-time white noise

Exploiting the Signal-Leak Bias in Diffusion Models

Hitting with Probability One for Stochastic Heat Equations with Additive Noise