本文提出了一种用于计算标记等价类中 DAG 数量的技术,并显示在有限制图案下,所提出的算法是多项式时间的。此技术可用于均匀采样来枚举等价类中的 DAG,并可用于因果实验设计和估计联合干预的因果效应。
Feb, 2018
本文新增一套足以构建所有最大祖先图的马尔科夫等价类的公共尾巴箭头的定向规则,并提供了一组定向规则,用于识别马尔科夫等价类的公共性,特别是对于因果推断的实用性。
Jun, 2012
提出了一种线性时间延迟算法,用于枚举由 Meek 和 Chickering 规则产生的马尔可夫等价类中的有向无环图,并在实验中评估其有效性,同时向马尔可夫等价本身提供了新的见解。
Jan, 2023
本文将有向无环图(DAGs)上的马尔可夫等价性的概念扩展到多重干预实验的干预性分布,给出两个 DAGs 在干预下等价的图理论标准,并且提出干预性本质图的概念,揭示了在干预性分布情况下因果模型识别过程的关键见解,最后基于这些见解,构建出一种新的算法来从干预性数据中进行结构学习,并进行了模拟研究。
Apr, 2011
本文研究的问题是,在部分边缘方向已知的情况下,如何计算马尔科夫等价类中有向无环图的数量。我们发现,这个问题在一个有趣的实例类中是可固定参数可解的,因为我们建立了一个计数算法,它所需要的时间是该图大小的多项式,其次数不依赖于作为输入提供的附加边的数量。
Jun, 2022
本文解决了图形因果分析领域中的一个长期存在的难题,即如何在多项式时间内计数和均匀采样来自马尔可夫等价类的有向无环图(DAGs)。我们提出的算法实现容易且高效,并且实验结果表明这些算法显著优于现有的最先进方法。
Dec, 2020
研究了无向边和有向边混合,并且无向边形成无环图的 acyclic directed mixed graphs (ADMGs) 及其概率模型,提出了一种基于简单路径判据的全局马尔科夫性标准 ——m-separation,并得到了该模型的因子分解准则及离散随机变量的参数化表示,验证了该模型的光滑性,从而证明了马尔科夫性 ADMG 模型是曲率指数族。
Jan, 2013
本文研究了 AMP 关键图的图形结构,以便于算法构建其本质图并用于高效推理和模型搜索及选择。
Jul, 2006
本文提出了一种能够在多项式时间内计数和抽样来自马尔可夫等价类的有向无环图的算法,解决了该领域长期存在的一个问题。通过实验实现,该算法应用价值高,使因果结构和因果效应识别的主动学习策略变得实用。
May, 2022
介绍了一种新的超级图类 mDAGs,通过潜在投影操作从 DAG 的边缘获取 mDAG,每个独特的 DAG 模型边缘至少由一个 mDAG 表示,并提供了图形结果以表征两个边缘模型何时相同。最后,证明了 mDAGs 可以在观察变量干预下正确地捕捉 DAG 的边缘结构。
Aug, 2014