基于约束的无序因果结构学习
研究了有向无环图中随意多个潜在变量和选择变量条件下因果信息的学习问题,在此设置中,提出了一种能够在计算上比 FCI 算法快得多的新算法 RFCI,虽然 RFCI 的输出在某些情况下比 FCI 输出略微不太具有信息性,但在渐近极限下 RFCI 的任何因果信息都是正确的,研究了一类图形,输出 FCI 和 RFCI 是相同的,并证明了 FCI 和 RFCI 在稀疏高维情况下的一致性。
Apr, 2011
本研究探讨如何处理因选择偏差而导致的独立性约束偏差问题,并通过独立关系的局部模式,提出了一种基于 Y-Structure 的有限样本计分规则,成功地预测了选择机制下的因果关系,并在微阵列数据上表现出色。
Mar, 2022
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
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
本研究提出了一个名为 FedC2SL 的联邦约束因果结构学习方案,它使用联邦有条件独立性检验学习因果图,该方案需要更弱和更现实的数据假设,并针对客户端数据变异提供更强的抗性,从而解决了在保护隐私方面存在的一些问题。实验结果表明,FedC2SL 具有令人鼓舞的性能和对客户端数据异质性的强大韧性。
Jun, 2023
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
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。
Jun, 2012
本文提出了一种使用并行计算技术的快速、高效的 PC 算法,并在高维数据集和 miRNA-mRNA 调节关系推断中进行了应用和实验,结果表明该算法比原始 PC 算法更加高效和准确。
Feb, 2015
该论文提出了一种名为‘关系性因果发现 (RCD)’的算法,通过关系性模型和在条件独立方面的提升推理,学习因果关系,证明了该算法的可靠性和有效性。
Sep, 2013