ICMLJun, 2012

将因果优先知识作为路径约束融入贝叶斯网络和最大祖先图

PDF
TL;DR本研究讨论将关于因果关系的先验知识纳入因果模型，并介绍了一些基于因果贝叶斯网络和最大祖宗图等模型的加入因果先验知识的方法和过程，通过模拟实验和案例研究发现，加入少量先验知识将导致大量新的推断结果。
causal modelcausal bayesian networksmaximal ancestral graphsincorporate causal prior knowledgeinference
发现论文，激发创造
  • 朝着马尔科夫等价下界因果效应

    预测未见干预的效果是数据科学中的一个基本研究问题。本文采用了部分祖先图（Partial Ancestral Graph）作为输入，提供了一种可以在数据驱动环境下计算因果效应界限的系统算法。

    Nov, 2023

  • 面向可扩展的因果 DAGs 贝叶斯学习

    本文提出了贝叶斯因果推断的方法，其中用到了 MCMC 方法来进行图结构的采样，并得到了线性高斯 DAG 模型的因果效应估计。

    Sep, 2020

  • 关于因果背景知识的表示及其在因果推理中的应用

    本文提出了一种新方法 —— 称作直接因果子句（DCC）来表述所有类型的因果背景知识，分析因果背景知识的一致性、等价性，任何因果背景知识集合都可分解成一个因果 MPDAG 和一个最小剩余 DCC 集合，并提供了用于检查一致性、等价性和查找分解的多项式算法。最后，作者们还发现，因果效应的可鉴定性仅取决于分解后的 MPDAG。

    Jul, 2022

  • 增强知识学习路径的可解释性：因果知识网络

    建立可靠的知识结构是构建有效的自适应学习系统和智能辅导系统的前提。在追求可解释和可信赖的知识结构的基础上，我们提出了一种构建因果关系知识网络的方法。该方法利用贝叶斯网络作为基础，并结合因果关系分析来推导因果网络。此外，我们介绍了一种基于该框架的可靠知识学习路径推荐技术，提升教学和学习质量，同时保持决策过程的透明度。

    Jun, 2024

  • 变分因果网络：对因果结构进行近似贝叶斯推断

    本文提出了对基于结构性因果模型的图形变分推断的形式，通过参数化变分模型来模拟分布，并在参数数量与变量数量的指数无关的情况下进行可处理的训练。

    Jun, 2021

  • 学习因果网络的贝叶斯方法

    本文研究了贝叶斯网络建模中的参数独立性、模块化特性、似然等价性等假设。同时介绍了机制独立性和组件独立性这两个新的假设，通过以上全部假设可以将学习无因果网络的方法应用到因果网络中。

    Feb, 2013

  • 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

  • 利用因果独立性进行贝叶斯网络推理

    本研究提出了一种新的方法，用于利用精确贝叶斯网络推断中的因果独立性，并且通过算法 VE 对给定证据和查询变量进行因果独立推理，结果表明此方法更加高效，并且允许前人算法不能接受的更大网络的推理。

    Dec, 1996

  • 贝叶斯网络的高效抽样和结构学习

    提出了一种新颖的混合方法，将基于约束和 MCMC 算法的两个领域结合起来，以高效地学习贝叶斯网络的有向无环图结构，并能对后验分布进行采样，从而实现全贝叶斯模型平均。

    Mar, 2018

  • 动态请求知识的因果发现

    Causal Bayesian Networks 中的结构学习算法通过动态识别和请求不确定关系的知识，实现了较大的结构准确性提升，并提供更有效地利用人类专业知识的方法，促进结构学习过程的透明度。

    Oct, 2023