Feb, 2012

基于核的条件独立性检验及其在因果发现中的应用

PDF
TL;DR提出了一种基于核的条件独立性检验方法（KCI-test），可以有效地在维数较高、条件集较大、样本容量较小的情况下进行条件独立性检验，并且实验证明该方法胜过其他方法。
conditional independence testingbayesian network learningcausal discoverycontinuous variableskci-test
发现论文，激发创造
  • 一种可扩展的非线性非高斯数据条件独立性检验方法

    提出一种新的 O (N^2) 条件相关独立性检验方法 (CC I)，比使用核复现希尔伯特空间 (KCI) 方法计算要快得多，对高维度数据集适用，并且在处理复杂的非线性、非高斯数据集时，比 Harris＆Drton（2012）方法以及偏相关度量 (线性高斯检验) 更准确。

    Jan, 2014

  • 基于核的近似条件独立性检验，用于快速的非参数因果关系发现

    该研究提出了两种基于随机特征的条件独立性检验方法 RCIT 和 RCoT，它们可以近似替代 KCIT，在大样本情况下比 KCIT 更快更准确，同时应用于 CCD 算法可以提高算法的运行效率。

    Feb, 2017

  • 条件独立性的实用核检验

    描述了一种数据高效、基于核的条件独立性统计检验方法，通过数据拆分、辅助数据和更简单的函数类别等方法，控制偏差并校正测试水平，适用于合成和真实数据。

    Feb, 2024

  • 用于随机过程的因果推断中的签名核条件独立性检验

    利用基于核函数的条件独立性测试以及基于约束的因果发现算法，本文致力于从随机动力系统中推断因果结构，证明在路径空间中，我们提出的条件独立性测试相较于现有方法表现优秀，并在允许循环的随机动力系统中，利用时间信息恢复出完整的有向图，通过实验证明我们开发的条件独立性测试结合因果发现算法在多种场景下可靠地优于基线模型。

    Feb, 2024

  • 基于最近邻估计器的条件互信息独立性检验

    提出了一种基于条件互信息和局部置换方案的全非参数连续数据测试方法，能够适应强非线性相关性，表现优于基于核的测试，并在小样本和高维条件下可靠地模拟零分布。

    Sep, 2017

  • 使用随机复杂度测试离散数据的条件独立性

    本文提出了一种基于算法独立性的、使用随机复杂性解决离散数据条件互信息估计问题的测试方法 SCI，此方法可以在有限的样本上找到合理的 CMI 阈值。实验证明 SCI 比常规测试具有更低的 II 类错误和更高的召回率，可应用于因果发现算法中。

    Mar, 2019

  • 差分隐私条件独立性检验

    本研究探讨在差分隐私的约束下的条件独立性检验，设计了两种基于广义协方差度量的私有 CI 检验以及基于 Candës 等人的条件随机化检验（在模型 - X 假设下），这是第一种适用于 $ Z $ 为连续型变量的私有 CI 检验。

    Jun, 2023

  • 混合连续 - 分类变量的非参数条件独立性检验：一种新方法和数值评估

    条件独立性检验是机器学习中的常见任务，本文研究了混合类型数据集下基于 k 最近邻的 CMI 估计器，并提出了一种新的方法，该方法不将类别变量视为数值变量，数值实验结果显示我们的变体能更稳定地检测不同数据分布和预处理类型下的依赖关系。

    Oct, 2023

  • 模型驱动的条件独立性检验

    针对连续随机变量，我们将条件独立性检验转化为分类问题并实现了非参数化的方案，通过最近邻引导采样策略生成训练样本，并提出一种大型数据集上性能更好的算法，从而实现有效测试。

    Sep, 2017

  • 核偏差量的因果推断

    本文提出了一种基于纯观测数据的全非参数因果推断方法 ——Kernel Conditional Deviance for Causal Inference（KCDC），用于发现一组变量之间的因果结构，并在合成数据集和真实世界时间序列数据以及 Tubingen Cause-Effect Pairs 真实世界基准数据集上的测试中取得了超越现有最先进方法的成果。

    Apr, 2018