Jul, 2012

识别 N 个变量间所有因果关系的实验数在最坏情况下的充分必要性

PDF
TL;DR利用随机化实验，可在没有潜在变量、样本选择偏差和反馈循环的情况下，确定 N 个变量之间的因果关系，最多需要 log2 (N) + 1 次实验，而当每个实验同时随机化 K 个变量时，我们提供了实验数量的上界，并且发现这个上界比每次随机化最多一个变量时的上界要低得多。并且，我们提供了在满足 kmax < N/2 的情况下，确定 N 个观察变量的因果关系所需的最小实验次数。
发现论文，激发创造
  • 因果发现的几乎最佳干预集合

    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。

    Jun, 2012

  • 循环和非循环因果模型的统一试验设计方法

    本文提出了一种实验设计方法，可以学习含有循环或非循环的因果图，并且在保证最差情况下的唯一识别因果图所需实验数量最少。

    May, 2022

  • 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

  • 量化因果影响

    本文提出了一组自然、直观的因果强度度量法，并通过时间序列的模拟实验证实了我们提出的度量法的有效性。

    Mar, 2012

  • ABCD - 策略：针对有目标因果结构发现的预算实验设计

    本文提出了基于贝叶斯推断的最优实验设计的一般框架和理论，用于目标因果性发现。该方法基于次模性提供了可行的实现，并在人工数据集和真实数据集上证明其优越性能。

    Feb, 2019

  • 在潜变量和选择偏差存在的情况下进行因果推断

    研究了寻找因果关系的可靠程序，即使存在潜在变量和选择偏差，通过测量变量之间的依赖关系，可以得出从一个变量到另一个变量的因果路径以及不存在这样的因果路径的可靠条件。

    Feb, 2013

  • 判断一组可观察的独立关系是否具有因果解释的算法

    本文提出了一种用于验证数据一致性的有效算法，该算法可以从独立性信息中提取因果关系，利用条件独立语句测试是否存在符合所有观测到的依赖性和独立性的因果模型，并找出存在的因果关系。

    Mar, 2013

  • 最可能的共同原因

    本文介绍了基于广义最大似然方法的共同原因原理，研究了在因果不充分的情况下，如何处理共同原因 $C$ 无法被唯一确定的问题，并讨论了共同原因对受限制的三个变量之间的因果结构的影响。

    Jun, 2023

  • 潜在共同原因时间序列因果特征选择的必要和充分条件

    本文探讨了对时间序列中的直接和间接原因的识别，并在图形限制下提供了必要且充分的潜变量条件。我们的理论结果和估计算法需要两个条件独立性测试才能确定观测到的候选时间序列是否是观测到的目标时间序列的原因。通过模拟和真实数据，我们的实验结果表明，我们的方法导致假阳性非常低，相对较低的假阴性率，优于广泛使用的 Granger 因果关系。

    May, 2020

  • 因果发现的样本复杂度及领域专业知识的价值

    本文分析了没有条件独立 (conditional independence) 武器下，因果探索算法的样本复杂度，以及领域专业知识在数据样本方面的价值，并通过数字实例证明了这些抽样率的准确性，并量化了稀疏先验和已知因果方向的好处。

    Feb, 2021