Sep, 2013

使用潜变量发现循环因果模型：一般的基于 SAT 算法的过程

PDF
TL;DR本文提出了一种非常通用的方法来学习因果模型的结构，该方法基于从任何给定的重叠的被动观察或实验性数据集获得的 d - 分离约束。此方法允许直接循环（反馈回路）和潜在变量的存在。我们的方法基于因果路径的逻辑表示，允许将相当通用的背景知识集成，推理是使用布尔满足（SAT）求解器执行的。该过程是完整的，因为它用尽了关于是否可以确定存在或不存在任何给定边缘的可用信息，否则返回 “未知”。许多现有的基于约束的因果发现算法可以看作是特殊情况，适用于一个或多个限制性假设的情况。模拟说明了这些假设对发现的影响以及现有算法的扩展能力。
causal modelslearningd-separation constraintslatent variablesboolean satisfiability
发现论文，激发创造
  • 基于约束的算法用于发现具有循环、潜在变量和选择性偏差的因果关系

    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

  • 有向循环图的发现算法

    本文介绍了一个可以通过样本数据推理带循环因果图的因果结构的发现算法，并给出了正确性条件，该算法是稀疏图上的多项式。

    Feb, 2013

  • 利用因果推理解释 SAT 求解

    本文介绍了使用因果推理探究 SAT 求解器内在工作机制的方法 CausalSAT，并通过实验验证了其中四条经验法则和三个与现代 SAT 求解器实现密切相关的问题。

    Jun, 2023

  • 在潜在混淆因素存在的情况下从不定数据中学习恢复因果关系

    本文提出了一种称作混淆分离因果发现算法（Confounding Disentanglement Causal Discovery，简称 biCD）的方法，通过使用因果强度变分模型，将潜在变量作为中介变量来解决存在潜在变量的非确定数据情形下的因果关系发现问题。我们将结果用合成和实际数据进行了验证，证明了该方法的有效性。

    May, 2023

  • 基于约束的非线性结构因果模型发现：循环和潜在混淆变量

    采用模块化结构因果模型 (mSCM)，引入了 sigma-connection graphs (sigma-CG)，成功实现了能够处理非线性功能关系、潜在混淆、循环因果关系和不同随机完美干预数据的因果发现算法。

    Jul, 2018

  • 使用排名约束的潜在分层因果结构发现

    本文提出了一种估算过程，可以高效确定潜在变量的位置，确定它们的基数，并识别潜在的分层结构，同时考虑到多个变量之间的多条路径，使得提出的算法可以在合适的图结构限制下渐近地找到整个图的正确马尔科夫等价类。

    Oct, 2022

  • 循环模型中带有隐藏共变量的因果发现方法的比较研究

    对稀疏线性模型中具有循环和隐藏混杂因素的因果关系进行比较研究，评估了四种因果发现技术在多个干预设置和不同数据集规模下的性能。

    Jan, 2024

  • 线性非高斯循环模型的局部因果发现

    本研究介绍了一种使用线性非高斯模型的广义的、统一的局部因果发现方法，无论是循环还是非循环。我们将独立成分分析的应用从全局上下文扩展到独立子空间分析，能够从目标变量的马尔科夫毯中准确识别等效的局部有向结构和因果强度。对于特殊的非循环场景，我们还提出了一种基于回归的替代方法。我们的可识别性结果在合成和真实数据集上得到了实证验证。

    Mar, 2024

  • 基于约束的因果发现的逻辑特征化

    通过逻辑推理的方法，基于简单的关系逻辑陈述从部分观测到的关系推出因果关系的方法，可以在存在潜在变量和选择偏差的情况下找到对应局部祖先图的所有不变特征，发现每一个可识别的因果关系都对应了两种基本形式，因为该方法的基本构建块不依赖于图形结构，因此可以开发更稳健的推理，详细的询问方法和大规模应用方案。

    Feb, 2012

  • 具有循环和潜变量的结构因果模型基础

    本研究主要在于探究具有潜在共变量和环路的结构因果模型，并证明其遵守特定可解性条件下的便利性质，这一工作将结构因果模型在具有周期的情况下进行了推广，从而提供了一般性的统计因果建模的基础。

    Nov, 2016