May, 2012

使用加性噪声模型识别混淆因素

PDF
TL;DR提出了一种方法，用于推断两个观测随机变量之间存在一个潜在的共同原因（“混淆变量”）。方法假设混淆变量的两个影响是混淆变量的（可能是非线性的）函数加上独立的加性噪声，探讨了在什么条件下从这些影响的联合分布中实现（对混淆变量进行任意重新参数化）的模型可识别性。提出了一种实际的从有限独立同分布采样得到的影响中估计混淆变量的方法，并且在模拟和真实世界数据上说明该方法的有效性。
发现论文，激发创造
  • 使用加性噪声模型进行离散数据因果推断

    本研究基于加性噪声模型，扩展了因果推论在离散变量情况下的应用，提出了一种快速的算法，能够有效判断有限离散变量的因果关系，经实验验证表明该算法可行。

    Nov, 2009

  • 使用级联非线性加性噪声模型进行因果关系发现

    提出了一种级联非线性加性噪声模型，可以发现难以被非线性加性噪声模型正确揭示的因果关系。该研究还在变分自编码器框架下提出一种方法来估计该模型并克服了实践中存在的一些问题。

    May, 2019

  • 隐变量混淆的多重因果推断

    本文提出了一个基于共享混杂物和独立治疗的多种治疗估计技术，并使用相互信息对混淆估计器进行正则化，同时使用独立于混淆物的治疗方法中的残留信息来恢复治疗效果，并在模拟和医学临床案例中进行了验证。

    May, 2018

  • 多元因素的福祉

    利用无监督机器学习和预测性模型检查相结合实现多因素下因果推理的去混淆算法并提出其理论，对半真实数据和真实数据进行性能测试，表明该算法比传统因果推理方法需要的假设更弱且更接近真实因果效应。

    May, 2018

  • 推断确定性因果关系

    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

  • 使用连续加性噪声模型进行因果推断

    研究学习因果有向无环图从观察到的联合分布，探索一种基于结构方程模型的可识别因果图的替代方法，并提供针对有限样本的实用算法和实证研究。

    Sep, 2013

  • 基于矩阵分解的有噪和缺失协变量因果推断

    该论文提出使用矩阵分解来从噪声协变量中推断混淆因素，减少测量噪声引起的偏差，展示了这个方法在合成数据和临床数据上的实验结果。

    Jun, 2018

  • 混合加性噪声模型的因果推断与机制聚类

    本文提出一种基于混合模型的 Additive Noise Model (ANM)，并且通过 Gaussian Process Partially Observable Model (GPPOM) 加入独立性约束，可用于根据混合模型的生成机制进行因果推断和聚类。

    Sep, 2018

  • 通过加性模型和任意噪声进行得分匹配的因果发现

    本文研究因果关系发现方法，特别是用于非线性模型和高斯噪声假设的方法。提出了一种新的算法 NoGAM，可以在最少的前提条件下发现因果关系，并在合成数据上进行了实验基准测试。

    Apr, 2023

  • 缺失数据的加性噪声模型下的因果结构识别

    在存在自我遮蔽缺失情况下，探索从缺失数据中学习因果结构的识别问题是一项具有挑战性的任务，然而我们发现最近引入的加性噪声模型具有潜力用于解决这个问题。本研究通过扩展因果骨架的可识别范围，给出了加性噪声模型下因果方向的充分和必要的识别条件，并提出了一种基于该理论结果的实用算法来学习因果结构。通过对合成数据和真实数据的广泛实验，证明了该算法的高效性和有效性。

    Dec, 2023