Oct, 2013

CAM: 因果加性模型，高维序列搜索和罚函数回归

HTML
PDF
TL;DR本研究提出了一种可以用于高维附加结构方程模型的估计方法，并建立了估计量的一致性，同时还开发了一种计算算法来处理许多变量，并通过模拟和实际数据验证方法的准确性和性能。
发现论文，激发创造
  • 因果发现中Y结构的理论研究

    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

  • 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

  • 多项式时间与样本复杂度内学习线性结构方程模型

    本文研究了从观察数据中学习线性结构方程模型（SEMs）的算法问题，旨在实现计算和统计效率，解决较一般的识别问题并没有考虑“信仰”假设的情形，提供了一个高效的算法，能够在不同噪声分布的情况下恢复SEM的有向无环图结构。

    Jul, 2017

  • 运用因果方法学习动力系统中的稳定和可预测结构

    利用CausalKinetiX计算框架，可以从离散时间、噪声观察数据中识别动力学系统结构并生成一个基于因果的动力学模型，提升了预测性能以及实验之外的泛化能力。

    Oct, 2018

  • 树形线性因果模型中的识别

    本文研究线性结构方程模型，提出一种利用缺失的双向边识别模型因果参数的算法，并展示了如何组合多个缺失的环来获得唯一解。

    Mar, 2022

  • 基于约束条件从少样本图中学习因果结构

    该研究论文提出了一种利用约束编程方法结合先前知识和理论洞见的实用方法，从而解决了时间序列数据中因果学习算法估计的图形结构提供高度误导性因果信息的问题，并且可以扩展到大型随机变量集合，并不需要精确知道时间尺度差异。

    May, 2022

  • 学习潜在结构因果模型

    本文提出了一种基于贝叶斯推理的方法，在低级别数据的情况下学习维度高、SCM结构和参数未知的高级因果变量，从而实现对潜在SCM的推断和图像生成。

    Oct, 2022

  • 提升因果增加模型

    我们提出了一种基于提升的方法来从观察数据中学习加法结构方程模型(SEMs)，重点研究确定变量之间因果顺序的理论方面。我们引入了一族基于任意回归技术的得分函数，并建立了一些必要条件，以一致地优选真实的因果顺序。我们的分析揭示了提前停止的提升在满足这些条件的同时，提供了一个一致的因果顺序得分函数。为了解决高维数据集带来的挑战，我们通过分量梯度下降在加法SEMs空间进行了适应。我们的模拟研究验证了我们在低维度下的理论结果，并证明我们的高维适应与最先进的方法相竞争。此外，它对超参数的选择表现出鲁棒性，使得该方法易于调整。

    Jan, 2024

  • 利用先验知识发现具有未观测变量的因果加性模型及其在时间序列数据中的应用

    该论文提出了两种针对潜在变量的因果加性模型(CAM-UV)的方法。首先，提出了一种利用先验知识用于高效因果发现的方法。然后，扩展了该方法以推断时间序列数据中的因果关系。通过使用模拟数据验证第一种方法，并且通过比较现有的时间序列因果发现方法使用模拟数据和真实数据来测试第二种方法。

    Jan, 2024

  • LoSAM：具有未测量混杂因子的加性噪声模型中的局部搜索方法，顶层全局发现方案

    本研究解决了在加性噪声结构方程模型中进行因果发现的难题，未对数据生成过程施加额外假设。通过引入局部搜索方法LoSAM，本文在处理线性和非线性因果机制时提高了效率，并提出了对未测量混杂因子鲁棒的变种LoSAM-UC，显示出其优于现有基准的有效性。

    Oct, 2024