本文提出了一种基于贝叶斯网络结构学习的非参数生成模型,采用分层贝叶斯框架来捕捉变量之间的系统性关系,通过 MCMC 算法推导出变量的类别、贝叶斯网络结构和类别间的先验概率,实验证明该方法在小样本数据集中更准确。
Jun, 2012
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
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
应用贝叶斯框架构建了一个新的因果模型,利用可识别因果方向的贝叶斯模型选择方法,在柔性模型类别中解决了数据集中的因果关系判断问题并且在各种生成数据假设下的性能优异。
Jun, 2023
贝叶斯因果推断结合基于序的 MCMC 结构学习和基于梯度的图学习技术,提出了一个有效的因果推断框架,可以推断变量的拓扑次序和父集,限制每个变量的父集数量,可以在多项式时间内精确计算边缘化。使用高斯过程对未知因果机制进行建模,引入 Rao-Blackwell 化方案,通过基于梯度的优化学习因果次序分布,采用顺序推断并结合 Rao-Blackwell 化,能够在具有无标度和 Erdos-Renyi 图结构的线性和非线性加性噪声基准测试中达到最先进的效果。
Feb, 2024
在高斯过程网络(GPN)模型中进行贝叶斯估计来推断多步骤干预效应,通过模拟整个网络中干预的影响并传播到下游变量,以及使用高斯过程建模条件分布来估计干预分布,进一步考虑到因果结构不确定性。结果表明,该方法能够识别非高斯、非线性的观测数据中假设干预的效果,并准确反映因果估计的后验不确定性。
本文介绍了一种在潜在空间中通过未知干预重建潜在因果图的方法,不需要进行参数假设,并且不需要已知潜在变量的数量,每个潜在变量最多只需要一个未知干预,通过引入虚集和孤立边的两个新图形概念,可构造性地证明了这种方法的可行性。
该研究探讨了从高维数据中学习因果表示的挑战性问题,并引入了一种基于潜变量解码器模型的贝叶斯因果发现方法,在半监督和无监督的情况下进行了实验,表明使用已知的干预目标能够帮助结构和参数的无监督贝叶斯推断。
Jul, 2022
从非参数贝叶斯模型中提取归纳偏好并将其转移到人工神经网络,使得神经电路能够在开放类集合上成功进行顺序推理,实现了与基于粒子滤波器方法相当甚至更好的性能,并且速度更快、使用更简单。
本文提出了针对单个处理和单个结果涉及种类繁多的隐藏变量有向无环图的人口水平因果效应的 influence function-based 估计器以及重要类别的隐藏变量 DAG,该类别在处理满足一个简单图形标准的情况下,生成调整和前门函数,同时还提供了统计模型的必要和充分条件。
Mar, 2020