Jun, 2012

邻接 - 信实性与保守型因果推断

PDF
TL;DR本文研究因果推断算法中所使用的 Faithfulness 条件，并提出了 Adjacency-Faithfulness 和 Orientation-Faithfulness 两个组成部分。我们发现，只需假设满足 Adjacency-Faithfulness 条件，就可以测试 Orientation-Faithfulness 的有效性，并通过修改 PC 算法使其在该条件下更为正确。与 PC 算法相比，在 Adjacency-Faithfulness 条件下，修改后的保守 PC 算法能够减少输出虚假因果关系的个数，并在大样本限制下具有相同的结果。
causal inference algorithmsadjacency-faithfulnessorientation-faithfulnesspc algorithmconservative pc
发现论文，激发创造
  • 因果推断中忠实度假设的几何学

    该论文研究了因果推断中的忠诚度假设及其限制，探究了在不同有向无环图的情况下强忠诚度分布的上下界，并证明了忠诚度假设对于 PC 算法以及高斯偏相关测试等算法具有基本的限制。

    Jul, 2012

  • 利用较少条件独立性检验进行因果发现

    本研究旨在通过多项式数量的条件独立性测试来学习隐藏因果图的较粗糙表示，名为因果一致分区图（CCPG），它由顶点的一个分区和在其组件上定义的有向图组成，并满足方向性的一致性和其他有利于更细的分区的约束条件。此方法在因果图可识别的特殊情况下，通过多项式数量的测试，提供了首个有效的还原真实因果图的算法。

    Jun, 2024

  • 基于约束的无序因果结构学习

    本研究考虑基于约束的因果结构学习方法，特别关注 PC 算法在高维数据中存在的顺序依赖性并提出多种改良方法，模拟实验和酵母基因表达数据验证表明改良后的算法在高维数据中表现更优。

    Nov, 2012

  • 在 $k$- 三角信仰假设下的因果效应均匀一致估计器

    提出了一种在 Causal Markov 假设和较弱的 k-Triangle-Faithfulness 假设下，能够一致估计线性高斯因果结构的 Markov 等价类和可识别结构系数的估计器。

    Feb, 2015

  • 具有小条件集的因果图的表征和学习

    本文提出了一种基于有限数据进行稳健因果发现的算法 $k$-PC，通过对两个因果图的条件独立性约束进行比较建立了 $k$-Markov 等价。实验表明，$k$-PC 算法相较于传统 PC 算法，可以在小样本环境中实现更强大的稳健性。

    Jan, 2023

  • 基于 ASP 的半马尔科夫因果模型发现算法在较弱假设下的应用

    研究了自动因果发现中所谓的忠实性假设的可能性和弱化，发现可以在重要意义上保留其功能的各种方式，并且弱化忠实性可以帮助加速基于答案集编程的方法。此外，本文还探讨了半马尔可夫因果模型的基于约束的发现中忠实性的弱化，发现在这种更现实的情况下保持了（1）和（2）的情况，并考虑到了潜变量的可能性。

    Jun, 2019

  • 基于约束的算法用于发现具有循环、潜在变量和选择性偏差的因果关系

    本文介绍了一种称为循环因果推断（CCI）的算法，能够在条件独立神经元操作符下对循环因果过程进行有效推断，如将循环因果过程表示为非递归线性结构方程模型与独立误差。实证结果表明，CCI 在循环情况下优于 CCD，且在无环情况下与 FCI 和 RFCI 竞争力不相上下。

    May, 2018

  • 基于贪心置换的因果推断算法的一致性保证

    使用置换的贪心方法，基于一个置换多面体中的边图，在有限多步内，找到了一个对应于支配生成有向无环图原则的图结构的稀疏最小置换，该方法成功应用于有向无环图的生成。

    Feb, 2017

  • 基于排列的带干预因果推断算法

    本文提出了两种利用观测和介入数据学习基因调控网络的算法，并证明了这两种算法在符合无偏性假设的情况下均具有一致性保证。同时，这些算法具有非参数性质，适用于分析非高斯数据。本文还对这两种算法在模拟数据，蛋白质信号数据和单细胞基因表达数据上的性能进行了分析。

    May, 2017

  • 基于最稀疏排列的有向无环图学习

    该研究提出了一种新的基于分数的算法（SP 算法）来学习贝叶斯网络或有向无环图（DAG）模型，该算法在弱于忠实性假设的条件下具有一致性保证，并且在一些小 DAG 的模拟中表现出与其他算法相比的优越性。

    Jul, 2013