从观测数据中估计高维干预效应
该研究提出了一种基于高斯似然框架的有向无环图模型,用于联合建模观察数据和干预数据,以及通过 BIC 准则对干预马尔可夫等价类进行一致性估计,从而改善了干预数据的部分可鉴别性,提供更紧密的因果效应推断。
Mar, 2013
学习因果有向无环图(DAG)的问题,使用观测和干预实验数据的组合进行研究,采用贝叶斯方法从一般干预中进行因果发现,通过图形特征化和兼容先验的贝叶斯推断保证不可区分结构的分数等价性,利用马尔可夫链蒙特卡洛(MCMC)拟合 DAG、干预目标和导致的父节点集合的后验分布,最后在模拟和真实蛋白质表达数据上评估了所提出的方法。
Dec, 2023
该研究介绍了一种叫做 “集群有向无环图(Cluster DAGs)” 的新型图形建模工具,其可以基于有限的先验知识提供变量之间关系的部分规范,从而缓解了在复杂、高维度领域中指定完全因果图的严格要求。在该图形模型下,本研究还开发了基于 “Pearl's Causal Hierarchy” 的各层级的变量集聚进行推理的方法,并验证了 C-DAGs 的有效性。
Feb, 2022
通过干预来学习混合因果模型中变量之间的因果关系是一项具有挑战性的任务,本文提出了匹配性的必要和充分条件以及一种自适应算法,用于学习混合因果模型中的所有真实边,具有最佳干预效果并在混合模型不包含循环关系时尺寸最小。
Jun, 2024
本文提出了两种基于最优实验设计策略的主动学习方法,用于求解因果 DAG 的最优干预目标,以改进因果 DAG 的边缘识别。其中第二种策略在多项式时间内得到任意大小的最小目标集,保证因果 DAG 的全识别。在模拟研究中,两种主动学习方法与随机干预进行比较,并分析估计误差对主动学习性能的影响。
May, 2012
本文提出了针对单个处理和单个结果涉及种类繁多的隐藏变量有向无环图的人口水平因果效应的 influence function-based 估计器以及重要类别的隐藏变量 DAG,该类别在处理满足一个简单图形标准的情况下,生成调整和前门函数,同时还提供了统计模型的必要和充分条件。
Mar, 2020
本文将有向无环图(DAGs)上的马尔可夫等价性的概念扩展到多重干预实验的干预性分布,给出两个 DAGs 在干预下等价的图理论标准,并且提出干预性本质图的概念,揭示了在干预性分布情况下因果模型识别过程的关键见解,最后基于这些见解,构建出一种新的算法来从干预性数据中进行结构学习,并进行了模拟研究。
Apr, 2011