Jan, 2011

DirectLiNGAM: 一种学习线性非高斯结构方程模型的直接方法

PDF
TL;DR本文介绍了一种基于非高斯性的新的、无需迭代算法参数即可估计因果排序和连接强度的方法，该方法能够在少量的步骤内保证求解正确，能够处理连续变量之间的因果关系。
structural equation modelsbayesian networkscausal orderingnon-gaussianityconnection strengths
发现论文，激发创造
  • 探究存在未观测混杂因素和非高斯数据的因果发现

    从多元观测数据中恢复因果关系结构，方法基于线性结构方程模型，可有效处理潜在混淆，并可通过无弓有向无环路径图恢复精确的因果结构。

    Jul, 2020

  • 通过逆协方差估计进行高维度线性因果网络学习

    本论文提出了一种新的基于统计估计的带有两个部分的框架，通过使用 moralized 图在 DAGs 中选择最佳得分的图。

    Nov, 2013

  • 线性非高斯循环模型的局部因果发现

    本研究介绍了一种使用线性非高斯模型的广义的、统一的局部因果发现方法，无论是循环还是非循环。我们将独立成分分析的应用从全局上下文扩展到独立子空间分析，能够从目标变量的马尔科夫毯中准确识别等效的局部有向结构和因果强度。对于特殊的非循环场景，我们还提出了一种基于回归的替代方法。我们的可识别性结果在合成和真实数据集上得到了实证验证。

    Mar, 2024

  • 功能性线性非高斯无环模型用于因果发现

    利用 Functional Linear Non-Gaussian Acyclic Model（Func-LiNGAM）扩展线性非高斯无环模型（LiNGAM）的概念，以应对涉及功能性磁共振成像和脑电图数据的大脑有效连接任务中的因果关系识别问题。在理论和实证角度上，我们对非高斯随机向量和无限维希尔伯特空间中甚至随机函数之间的因果关系可辨识性建立了理论保证。通过优化向量的坐标使用功能主成分分析，我们解决了内在无限维度功能性数据中离散时间点的稀疏性问题。在合成数据方面的实验结果验证了该框架利用观测样本能够识别多变量函数之间的因果关系。而在真实数据方面，我们专注于分析来自 fMRI 数据的脑连接模式。

    Jan, 2024

  • 树形线性因果模型中的识别

    本文研究线性结构方程模型，提出一种利用缺失的双向边识别模型因果参数的算法，并展示了如何组合多个缺失的环来获得唯一解。

    Mar, 2022

  • 有向循环图的发现算法

    本文介绍了一个可以通过样本数据推理带循环因果图的因果结构的发现算法，并给出了正确性条件，该算法是稀疏图上的多项式。

    Feb, 2013

  • 独立成分分析发现循环因果模型

    本篇论文通过 IC​​A 方法，利用连续观测数据，发现了线性非高斯的因果结构模型 (LiNGAM-SEM)。该 LiNGAM 发现算法所输出的 SEM 分布等价类在大样本情况下是种群分布，并提出了仅有其中一个 SEM 稳定的充分条件。

    Jun, 2012

  • 反馈模型的有向循环图形表示

    该研究使用有向无环图 (DAG) 表示随机变量之间的条件独立关系，证明了非递归结构方程模型能够通过有向循环图表示条件独立误差，并推导出满足条件独立约束的充分条件以及非线性系统的变量在相关分布中条件独立的条件。

    Feb, 2013

  • 带有局部搜索的混合全局因果发现

    在观测数据中进行因果发现是一项具有挑战性的任务，本研究提出了一种新颖的混合方法，结合局部因果子结构，通过引入拓扑排序算法和非参数约束算法，在线性和非线性设置中实现了全局因果推断，并在合成数据中进行了验证。

    May, 2024

  • 基于约束的非线性结构因果模型发现：循环和潜在混淆变量

    采用模块化结构因果模型 (mSCM)，引入了 sigma-connection graphs (sigma-CG)，成功实现了能够处理非线性功能关系、潜在混淆、循环因果关系和不同随机完美干预数据的因果发现算法。

    Jul, 2018