## Memo - [[2022__KDD__Causal Inference-Based Root Cause Analysis for Online Service Systems with Intervention Recognition]]より引用されている。 ## Abstract 変数の集合間の因果構造を発見することは、様々な科学的・産業的な場面で重要な課題である。有限個のi.i.d.標本がある場合、因果関係の発見は、組み合わせ論的な問題であり、挑戦的である。近年の関数型因果モデルの発展、特に[[NOTEARS]]は、因果関係発見のための異なる最適化フレームワークを提供している。彼らは構造学習問題を、非周期性やスパース性などの構造制約を指定した観測データに対する最尤推定（すなわち、変数の再構成）のタスクとして定式化している。しかし、これらの微分可能な手法の目的を最適化することは、特に野生環境からの実データにおいて変数が異種ノイズ（すなわち、異なるノイズタイプやノイズ分散）を持つ場合、学習された因果グラフの正しさと必ずしも一致しないことがわかった。本論文では、このような誤った構造をとりやすい原因は、主に過剰再構成問題にあることを示す。すなわち、変数のノイズが変数再構成過程に吸収されることにより、変数再構成残差の間に依存関係が生じ、FCM理論による構造同定可能性問題が発生するのである。この問題を解決するために、我々は、敵対的な方法で明示的な残差独立性制約を課すことで、新しい微分可能な手法DARINGを提案する。シミュレーションと実データを用いた広範な実験により、提案手法は外部ノイズの不均一性に影響されず、因果関係発見性能を大幅に向上させることができることを示す。 [[2021__KDD__DARING - Differentiable Causal Discovery with Residual Independence__translations]]