Mar, 2012

学习事物改变的原因：基于差异的因果学习者

HTML
PDF
TL;DR本文提出了 Difference-Based Causality Learner（DBCL），一种用于学习表示系统时间内所有因果关系的离散时间动态模型的算法，旨在通过实际机械系统的激励来验证其正确性。结果表明，相比于VAR和Granger因果模型，DBCL算法在因果结构探测方面具有明显优势，并可以从EEG数据中发现人类大脑alpha节律的因果方向。
发现论文，激发创造
  • 从变化中发现因果关系

    本研究提出了一种基于本地自发变化的方法，用于发现因果结构，并分析了与之相关的结构类别，设计了可以输出这些等价类的图形表示的算法，并使用模拟数据展示了实验结果，研究了变化检测和结构恢复的误差。

    Jan, 2013

  • 从观察数据中推断因果方向：复杂性方法

    通过在离散或连续随机变量之间预测因变量来区分因果关系，我们提出了多个简单快速的标准，以检验因果关系，适用于广泛的因果机制和数据噪声类型。

    Oct, 2020

  • 学习潜在因果动态

    本文提出了一个名为LiLY的框架，用于解决时间序列建模中如何在未知分布转换下学习和快速更正模型的问题，该框架首先从不同的分布转移中恢复时间延迟的潜在因果变量并确定它们之间的关系，然后通过利用识别出的因果结构，将更正步骤进行公式化，将未知的分布转移分解为由固定动态和时变的潜在因果关系所引起的过渡分布更改和观察结果的全局更改，并且通过实验证明了潜在因果影响可靠地从不同的分布变化中识别出来，通过利用这种模块化的变化表示，我们只需使用少量样本就可以高效地学习在未知分布转换下更正模型。

    Feb, 2022

  • 因果发现学习

    本研究测试了一种基于神经网络的数据驱动因果关系发现方法，证明其比现有的人工设计的方法在神经网络和医学数据中表现更优秀。结果表明在已知因果关系的大数据集的监督下，学习因果发现程序是改进神经学和医学数据中因果关系的新途径。

    Sep, 2022

  • DynGFN：使用生成流网络的贝叶斯动态因果发现

    本文提出了一个针对动态系统的基于Bayesian原理的因果关系发现框架，采用生成流网络架构来学习循环图的贝叶斯后验概率，该框架通过时间建立自然的因果关系，并通过实验表明其与同类算法相比，能够更好的表征同时具有循环性和因果性的问题。

    Feb, 2023

  • 从时间推移到同时迭代的因果发现：在潜在混淆因素存在的情况下

    提出了一种基于约束的算法，用于在存在潜在混杂因素的情况下从观测时间序列数据中学习因果结构，主要通过学习长期的时间关系优化因果图的结构，从而减少了所需统计测试的数量并在人造数据和真实数据上通过实验证明了其高准确性和更接近真实情况的因果图。

    Jun, 2023

  • 因果发现与预测：方法与算法

    我们提出了一种新的主动学习算法，通过一系列成本最低的干预来识别任何给定因果模型中的因果关系，同时引入了对时间周期性因果设置的形式化分析，并提供了一种可靠完备的算法来识别循环设置中的因果效应。

    Sep, 2023

  • 从时间序列数据中发现结构因果模型的混合物

    从混合不同因果模型的时间序列数据中，利用证据下界最大化的方法进行因果发现，经过实验证明在探测来自不同因果图的数据时，该方法优于现有基准模型。

    Oct, 2023

  • 为什么问题的动态视角

    我们研究了随机过程生成的多变量时间序列数据中的因果推理。与现有方法不同，我们提出了一种直接建立时间过程中事件之间因果关系的学习范式，并通过两个关键引理将其框架化成为强化学习问题。我们的方法提供了揭示和量化扩散过程中因果关系的形式化和计算工具，包括离散时间马尔可夫决策过程等各种重要设置。通过复杂的实验和深度学习，我们的框架揭示和量化了看似无法解释的因果链接。

    Feb, 2024

  • 基于因果发现的时间序列变点检测

    在多元时间序列中，我们提出了一个两阶段的非参数算法，通过约束式探索方法首先学习因果结构的一部分，然后使用条件相对皮尔逊散度估计来识别变点。在合成和现实数据集上的实验验证了我们方法的正确性和实用性。

    Jul, 2024