量化因果影响
通过引入编码在干预一个变量时另一个变量熵的变化的量,最近的研究实现了给定结构因果模型(SCM)的因果控制的量化。我们的研究通过建立和分析这些概念的基本性质,包括界限和链规则,对因果熵和因果信息增益的概念的形式理解做出了贡献。此外,我们阐明了因果熵与随机干预之间的关系,并提出了因果条件熵和因果条件信息增益的定义。总体而言,这种探索为通过研究最近提出的在因果性考虑方面扎根的信息论量来增强因果机器学习任务铺平了道路。
Feb, 2024
针对使用观测数据确定两个离散随机变量之间的因果方向的问题,我们在最一般的函数模型条件下,在未观测到的外源变量上作出简化假设,使用 Rényi 熵来量化其简单性。我们的主要结果是,如果该外源变量在正确的方向上的 H0(熵)熵较低,那么它在错误方向上的 H0 熵一定较高。我们提出了一种基于最小熵耦合问题的贪心算法,用于找到具有最小熵的外源变量,并将其应用于因果推断问题。
Nov, 2016
该研究讨论了如何通过观察子系统来推断一个未知的大系统中的公共祖先,使用了信息论不等式来量化观察结果中的依赖关系,将多变量情况下的 Reichenbach 原理推广到因果解释的有向无环图中,并考虑了非概率观察结果的情况。
Oct, 2010
本文描述了一种计算给定交互模式下可出现的信息理论约束的通用算法,并将其应用于两个相关案例:第一个案例中,我们证明信息因果原则在我们的框架中自然出现且得到推广和强化;第二个案例中,我们导出了在网络架构中可能出现的相关性的限制。
Jul, 2014
该研究介绍了一种叫做 “集群有向无环图(Cluster DAGs)” 的新型图形建模工具,其可以基于有限的先验知识提供变量之间关系的部分规范,从而缓解了在复杂、高维度领域中指定完全因果图的严格要求。在该图形模型下,本研究还开发了基于 “Pearl's Causal Hierarchy” 的各层级的变量集聚进行推理的方法,并验证了 C-DAGs 的有效性。
Feb, 2022
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
通过对结点进行排列组合,我们提出了一种新的一致性度量方法,从而评估有向无环图(DAG)的好坏,该方法可以帮助实践者判断 DAG 是否比随机分配更合适。我们在仿真数据和各种领域的实际数据集上进行评估,并表明该方法可以排除错误 DAG。
May, 2023
该篇论文提出了蕴含系统因果结构的信息论量,用于评估给定的目标变量的因果重要性,并展示了因果信息增益在特征选择中的优越性,从而为涉及因果关系的领域的可解释性方法的发展铺平了道路。
Sep, 2023
本文通过应用信息传递的转移熵概念,提出了一种测量节点之间因果关系的理论基础的方法。通过分析合成和真实世界数据,证明了转移熵可以揭示有意义的隐藏网络结构,并能够区分大群体的弱影响和小团体的强影响。
Oct, 2011