Apr, 2011

使用潜变量和选择变量学习高维有向无环图

PDF
TL;DR研究了有向无环图中随意多个潜在变量和选择变量条件下因果信息的学习问题，在此设置中，提出了一种能够在计算上比 FCI 算法快得多的新算法 RFCI，虽然 RFCI 的输出在某些情况下比 FCI 输出略微不太具有信息性，但在渐近极限下 RFCI 的任何因果信息都是正确的，研究了一类图形，输出 FCI 和 RFCI 是相同的，并证明了 FCI 和 RFCI 在稀疏高维情况下的一致性。
causal inferencedirected acyclic graphsfci algorithmrfci algorithmconditional independence
发现论文，激发创造
  • 基于约束的无序因果结构学习

    本研究考虑基于约束的因果结构学习方法，特别关注 PC 算法在高维数据中存在的顺序依赖性并提出多种改良方法，模拟实验和酵母基因表达数据验证表明改良后的算法在高维数据中表现更优。

    Nov, 2012

  • 混合有向无环图分布中因果结构的发现

    研究通过混合因果模型来获得分布，并探讨了如何从基于此类分布的样本中进行因果结构学习及如何使用这些信息对样本进行聚类。

    Jan, 2020

  • 在潜在混淆因素和选择偏差可能存在的情况下进行迭代因果分析

    我们提出了一种迭代因果发现算法 (ICD)，可在潜在混淆变量和选择偏差的情况下恢复因果图，并演示了 ICD 相较于 FCI、FCI + 和 RFCI 算法，需要更少的 CI 测试并学习更准确的因果图。

    Nov, 2021

  • 基于约束的算法用于发现具有循环、潜在变量和选择性偏差的因果关系

    本文介绍了一种称为循环因果推断（CCI）的算法，能够在条件独立神经元操作符下对循环因果过程进行有效推断，如将循环因果过程表示为非递归线性结构方程模型与独立误差。实证结果表明，CCI 在循环情况下优于 CCD，且在无环情况下与 FCI 和 RFCI 竞争力不相上下。

    May, 2018

  • 局部基于约束的因果探究在选择偏差下的应用

    本研究探讨如何处理因选择偏差而导致的独立性约束偏差问题，并通过独立关系的局部模式，提出了一种基于 Y-Structure 的有限样本计分规则，成功地预测了选择机制下的因果关系，并在微阵列数据上表现出色。

    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

  • 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

  • 异构数据的联邦因果推断

    提出了一种新的面向任意因果模型和异构数据的联邦因果探索方法，通过使用代理变量来解决不同客户端之间的数据异构性，并利用联邦条件独立性检验和联邦独立性改变原则来确定因果方向，无需对特定函数形式进行任何假设，以以保护数据隐私的方式构建摘要统计量，实验证明了该方法的有效性。

    Feb, 2024

  • 在有向无环图上进行多邻域协同学习

    通过开发一种新的基于约束的方法，该方法用于估计多个用户指定目标节点周围的局部结构，从而在邻域之间实现结构学习协调，进而促进无需学习整个有向无环图结构的因果发现。实验结果表明，我们的算法在学习邻域结构时具有更高的准确性，且计算成本较低于传统方法。

    May, 2024

  • 从观测时间序列推断扩展摘要因果图

    研究使用信息理论度量方法，在因果发现框架中使用 PC 和 FCI 算法构建基于任意延迟或瞬时关系的扩展摘要因果图，并通过模拟和真实数据集进行实验验证。

    May, 2022