Metodi di Caratteristiche di Fourier per la Scoperta Causale Non Lineare

Un preprint arXiv (2605.05743) introduce due nuovi approcci che utilizzano caratteristiche di Fourier per scoprire relazioni causali non lineari. Il primo metodo, il punteggio di Verosimiglianza Marginale delle Caratteristiche di Fourier (FFML), semplifica la stima della verosimiglianza marginale dei processi gaussiani sostituendo la grande matrice Gram del kernel con una rappresentazione a caratteristiche finite più gestibile. Questa regolazione riduce la complessità a O(nm^2 + m^3). Può gestire varie combinazioni di variabili continue e discrete attraverso un metodo di kernel prodotto. La seconda innovazione, il test di Indipendenza Condizionale delle Caratteristiche di Fourier (FFCI), fornisce un modo rapido e non parametrico per testare l'indipendenza condizionale in dataset misti. Insieme, questi metodi migliorano gli strumenti per diverse strategie di scoperta causale superando le limitazioni delle tecniche tradizionali dei processi gaussiani.