Jun, 2012

因果发现的几乎最佳干预集合

PDF
TL;DR本文研究探讨了在给定一个观测 Markov 等价类的因果图时，发现其唯一性所需的最坏情况实验次数可以指定为 Markov 等价类中最大团的函数。我们提供了一种算法来计算我们认为对于上述任务最优的干预集合。该算法建立在 Eberhardt 等人（2005 年）对于当考虑所有可能的 N 个变量的有向无环图时的一系列实验的最坏情况分析中获得的洞见的基础上。仿真结果表明我们的猜想是正确的。我们还展示了我们的猜想推广到其他可能的图假设类别不易进行，以及算法不再最优的意义。
causal graphobservational markov equivalence classintervention setsworst case analysisdirected acyclic graphs
发现论文，激发创造
  • 非目标干预下的因果发现

    该研究论文提出了一种基于随机干预的因果发现模型，通过最小化干预次数来解决因果发现问题，提供了多对数竞争比的近似算法，并给出了一些初步实验结果。

    Feb, 2024

  • 从干预数据中主动学习因果模型的两种最优策略

    本文提出了两种基于最优实验设计策略的主动学习方法，用于求解因果 DAG 的最优干预目标，以改进因果 DAG 的边缘识别。其中第二种策略在多项式时间内得到任意大小的最小目标集，保证因果 DAG 的全识别。在模拟研究中，两种主动学习方法与随机干预进行比较，并分析估计误差对主动学习性能的影响。

    May, 2012

  • 加权因果有向无环图的新度量和搜索算法

    通过研究自适应干预下的因果图发现，提出了一种新的基准，捕捉任何搜索算法的最坏干预成本，并提出了在各种设置下实现对数逼近的自适应搜索算法。

    May, 2023

  • 适应性在线实验设计用于因果推断

    在线学习中基于干预样本历史的分离图系统相匹配的追踪停止因果发现算法优于现有方法，通过较少的样本实现更高准确性的因果图学习。

    May, 2024

  • 通过有向团树的因果 DAG 主动结构学习

    本研究提出了针对因果有向无环图（DAGs）的干预设计的通用下限，并基于有向团树将 DAG 分解成可独立定向的组件，从而证明在任何 EC 中定向任何 DAG 所需的单节点干预数至少是每个基本图的链组件中最大团大小的一半的总和。另外，我们还提出了一个两阶段干预设计算法，其性能符合以最大团个数的对数乘性为界限的最优干预数，并通过合成实验验证了我们的算法可以比大多数相关工作处理更大的图形并且获得更好的最坏情况性能。

    Nov, 2020

  • 因果结构学习的预算实验设计

    本文研究了在实验者最多进行 $k$ 个大小为 $1$ 的非自适应实验的情况下因果结构学习的问题。 我们将寻找最佳干预目标集的问题制定为优化问题，旨在最大化解决方向的边的平均数量。我们证明了相应的目标函数是子模的，并且贪心算法足以实现最优值的 $(1- rac {1}{e})$- 逼近。我们进一步提出了一种加速的贪心算法变体，可以实现数量级的性能加速。我们在合成和真实图上验证了我们提出的方法。结果表明，与纯观测设置相比，我们的算法通过较少的干预将大部分边定向。

    Sep, 2017

  • 通过小操作学习因果图

    该论文探讨了在 Pearl 的结构方程模型下使用有限干预学习因果网络的问题，并使用信息论方法研究了干预次数的下界，并提出了一种新的分离系统构造方法来学习弦图和任意骨架的因果方向。

    Oct, 2015

  • 混合有向无环图中的干预因果发现

    通过干预来学习混合因果模型中变量之间的因果关系是一项具有挑战性的任务，本文提出了匹配性的必要和充分条件以及一种自适应算法，用于学习混合因果模型中的所有真实边，具有最佳干预效果并在混合模型不包含循环关系时尺寸最小。

    Jun, 2024

  • 基于贝叶斯的从未知一般干预中发现因果关系

    学习因果有向无环图（DAG）的问题，使用观测和干预实验数据的组合进行研究，采用贝叶斯方法从一般干预中进行因果发现，通过图形特征化和兼容先验的贝叶斯推断保证不可区分结构的分数等价性，利用马尔可夫链蒙特卡洛（MCMC）拟合 DAG、干预目标和导致的父节点集合的后验分布，最后在模拟和真实蛋白质表达数据上评估了所提出的方法。

    Dec, 2023

  • 干预下因果有向无环图等价类的特征和学习

    该研究考虑在观测和干预数据都可用的情况下学习因果 DAG，并使用一种可证明的算法实现此目标。

    Feb, 2018