使用加性噪声模型进行离散数据因果推断
提出了一种级联非线性加性噪声模型,可以发现难以被非线性加性噪声模型正确揭示的因果关系。该研究还在变分自编码器框架下提出一种方法来估计该模型并克服了实践中存在的一些问题。
May, 2019
提出了一种方法,用于推断两个观测随机变量之间存在一个潜在的共同原因(“混淆变量”)。方法假设混淆变量的两个影响是混淆变量的(可能是非线性的)函数加上独立的加性噪声,探讨了在什么条件下从这些影响的联合分布中实现(对混淆变量进行任意重新参数化)的模型可识别性。提出了一种实际的从有限独立同分布采样得到的影响中估计混淆变量的方法,并且在模拟和真实世界数据上说明该方法的有效性。
May, 2012
本文研究因果关系发现方法,特别是用于非线性模型和高斯噪声假设的方法。提出了一种新的算法 NoGAM,可以在最少的前提条件下发现因果关系,并在合成数据上进行了实验基准测试。
Apr, 2023
本文提出一种基于混合模型的 Additive Noise Model (ANM),并且通过 Gaussian Process Partially Observable Model (GPPOM) 加入独立性约束,可用于根据混合模型的生成机制进行因果推断和聚类。
Sep, 2018
对于两个变量间的因果关系推断,我们提出了一种新的方法,即在确定性(无噪声)情况下,利用函数的非对称性以及它和因变量的概率密度的独立性进行推断。我们还将其与信息几何联系在一起,在不同领域的实际数据集上获得了强有力的实证结果。
Mar, 2012
研究了针对一些未观测到的 (离散值) 直接因素的线性切换回归模型的 MLE 的存在性、一致性和渐近正态性的充分条件,构建了一种测试工具以及一种因果发现算法,并测试发现该算法在模型违规的情况下也具有鲁棒性,且表现优于现有的方法,同时还能够对数据点进行基于过程的聚类。
Aug, 2018
在存在自我遮蔽缺失情况下,探索从缺失数据中学习因果结构的识别问题是一项具有挑战性的任务,然而我们发现最近引入的加性噪声模型具有潜力用于解决这个问题。本研究通过扩展因果骨架的可识别范围,给出了加性噪声模型下因果方向的充分和必要的识别条件,并提出了一种基于该理论结果的实用算法来学习因果结构。通过对合成数据和真实数据的广泛实验,证明了该算法的高效性和有效性。
Dec, 2023
本文回顾了两组单变量因果发现的方法:加性噪声方法(ANM)和信息几何因果推断(IGCI)。作者呈现了一项由各个领域(如,气象学、生物学、医学、工程、经济学等)37 个数据集中选择的 100 个不同因果对的数据基准,这些方法在真实世界基准数据上的实证结果表明,某些方法确实能够仅使用纯观测数据区分原因和效应。
Dec, 2014
本研究使用核均值嵌入分类将因果推断作为问题,从数据中直接学习因果推理,并在合成和实际数据上验证了方法的性能,赢得了 ChaLearn’s “Fast Causation Coefficient Challenge” 的 the fastest code prize,并排名第三.
Sep, 2014