干预与观测数据的联合：有向无环图的干预马尔可夫等价类估计

Mar, 2013

干预与观测数据的联合：有向无环图的干预马尔可夫等价类估计

Jointly interventional and observational data: estimation of interventional Markov equivalence classes of directed acyclic graphs

PDF

Alain Hauser, Peter Bühlmann

TL;DR该研究提出了一种基于高斯似然框架的有向无环图模型，用于联合建模观察数据和干预数据，以及通过 BIC 准则对干预马尔可夫等价类进行一致性估计，从而改善了干预数据的部分可鉴别性，提供更紧密的因果效应推断。

Abstract

In many applications we have both observational and (randomized) interventional data. We propose a gaussian likelihood framework for joint modeling of such different data-types, based on global parameters consist

gaussian likelihood framework directed acyclic graph interventional data causal effects bic criterion

发现论文，激发创造

有向无环图干预马尔可夫等价类的特征和贪心学习

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

从观测数据中估计高维干预效应

本研究提出了一种利用干预演算法来推测协变量对响应参数的因果效应的算法，并运用这个方法去确定变量的重要性。

Oct, 2008

基于贝叶斯的从未知一般干预中发现因果关系

学习因果有向无环图（DAG）的问题，使用观测和干预实验数据的组合进行研究，采用贝叶斯方法从一般干预中进行因果发现，通过图形特征化和兼容先验的贝叶斯推断保证不可区分结构的分数等价性，利用马尔可夫链蒙特卡洛（MCMC）拟合 DAG、干预目标和导致的父节点集合的后验分布，最后在模拟和真实蛋白质表达数据上评估了所提出的方法。

Dec, 2023

干预下因果有向无环图等价类的特征和学习

该研究考虑在观测和干预数据都可用的情况下学习因果 DAG，并使用一种可证明的算法实现此目标。

Feb, 2018

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

基于置换的因果结构学习（未知干预目标）

针对部分或完全未知的干预目标的混合观测和干预数据的因果 DAG 模型估计问题，本文提出一个算法来寻找干预马可夫等价类，此算法采用贪心策略在排列空间中搜索以最小化新的分数函数，同时该算法是无参数的，因此适用于非线性关系和非高斯分布的情况，性能表现已被验证。

Oct, 2019

混合有向无环图中的干预因果发现

通过干预来学习混合因果模型中变量之间的因果关系是一项具有挑战性的任务，本文提出了匹配性的必要和充分条件以及一种自适应算法，用于学习混合因果模型中的所有真实边，具有最佳干预效果并在混合模型不包含循环关系时尺寸最小。

Jun, 2024

从干预数据中主动学习因果模型的两种最优策略

本文提出了两种基于最优实验设计策略的主动学习方法，用于求解因果 DAG 的最优干预目标，以改进因果 DAG 的边缘识别。其中第二种策略在多项式时间内得到任意大小的最小目标集，保证因果 DAG 的全识别。在模拟研究中，两种主动学习方法与随机干预进行比较，并分析估计误差对主动学习性能的影响。

May, 2012

干预数据的可微因果发现

本文提出了一种新的方法，基于神经网络和流形变换，使用干预数据来学习因果有向无环图，该方法在多种情况下表现出与现有技术相媲美的灵活性和可行性。

Jul, 2020

非目标干预下的因果发现

该研究论文提出了一种基于随机干预的因果发现模型，通过最小化干预次数来解决因果发现问题，提供了多对数竞争比的近似算法，并给出了一些初步实验结果。

Feb, 2024