在关系因果模型中,通过关系回路对复杂的动态系统进行建模和推理,本文引入了一种关系去环操作,探讨了用于循环关系因果模型的约束关系因果发现算法的充分必要条件。
Aug, 2022
本研究考虑了从关系型数据中学习因果关系的问题,并提出一个可靠的条件独立性测试方法,通过对关系型数据进行条件独立性测试来恢复底层因果结构,并进行实验验证。
Dec, 2019
本研究考虑基于约束的因果结构学习方法,特别关注 PC 算法在高维数据中存在的顺序依赖性并提出多种改良方法,模拟实验和酵母基因表达数据验证表明改良后的算法在高维数据中表现更优。
Nov, 2012
本文提出了一种名为因果关系网络的算法,采用神经网络学习因果模型,并使用连续表示方法表示因果模型,从而更好地处理大量变量和利用先前的知识帮助学习新的因果模型,同时提出一种基于解码的评估指标。在合成数据的测试中取得了高精度和快速适应新因果模型的效果。
Aug, 2020
本文提出一种基于 (条件) 马尔科夫网络的框架,可以 effectively 地训练 probabilistic relational models,并使用近似概率推断对多个相关对象进行 collective classification,从而解决了先前方法的两个限制:有向模型无法表示许多重要的关系依赖性和难以用于判别式训练。在网页分类任务上的实验证明,建模关系依赖性可以显著提高分类准确性。
Dec, 2012
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
本论文提出了一种结合贝叶斯方法和约束方法的算法,用于解决从有限数据集进行因果推断的准确性和稳健性问题。
Oct, 2012
本文介绍了第一种可进行大样本因果关系可靠识别的计算可行的基于分数的算法,允许存在未观测到的共同原因,并基于从观测数据中学习的贝叶斯网络结构来识别所谓的 Y 子结构,从而无需为存在未观察到的共同原因的因果结构分配分数。
Jun, 2012
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
本文介绍了一种从数据中学习因果图的因果发现方法,通过引入可移除变量的概念和递归方法来解决因果发现中的挑战,并提供了一个高效实现这些方法的 Python 包,可供实践者和研究人员在实际场景中使用。
Mar, 2024