backShift：从未知 shift 干预中学习因果循环图

Jun, 2015

backShift：从未知 shift 干预中学习因果循环图

backShift: Learning causal cyclic graphs from unknown shift interventions

Dominik Rothenhäusler, Christina Heinze, Jonas Peters, Nicolai Meinshausen

TL;DR该研究提出了一种名为 backShift 的方法，这种方法使用了特定类型的干预数据来学习具有潜在变量的线性因果循环模型，其性能在一些模拟数据以及在流式细胞术和金融时间序列应用中得到了验证。

Abstract

We propose a simple method to learn linear causal cyclic models in the presence of latent variables. The method relies on equilibrium data of the model recorded under a specific kind of interventions ("

linear causal cyclic models latent variables shift interventions identifiability flow cytometry

发现论文，激发创造

从连续平衡数据中的周期性因果发现

本文提出了一种无需假设线性关系和处理反馈环的方法来学习连续数据中的环形因果模型，并在生化反应的背景下提出了一种新的建模干预的方法。通过运用该方法对 Sachs et al. (2005) 流式细胞术数据进行重建，证明了该方法在发现环形反馈和提高数据精度方面的优越性。

Sep, 2013

学习潜在因果动态

本文提出了一个名为 LiLY 的框架，用于解决时间序列建模中如何在未知分布转换下学习和快速更正模型的问题，该框架首先从不同的分布转移中恢复时间延迟的潜在因果变量并确定它们之间的关系，然后通过利用识别出的因果结构，将更正步骤进行公式化，将未知的分布转移分解为由固定动态和时变的潜在因果关系所引起的过渡分布更改和观察结果的全局更改，并且通过实验证明了潜在因果影响可靠地从不同的分布变化中识别出来，通过利用这种模块化的变化表示，我们只需使用少量样本就可以高效地学习在未知分布转换下更正模型。

Feb, 2022

学习未知干预下非参数潜在因果图

本文介绍了一种在潜在空间中通过未知干预重建潜在因果图的方法，不需要进行参数假设，并且不需要已知潜在变量的数量，每个潜在变量最多只需要一个未知干预，通过引入虚集和孤立边的两个新图形概念，可构造性地证明了这种方法的可行性。

Jun, 2023

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

数据集转化诊断的统一框架

介绍了使用统一框架来检测数据移位类型并量化其强度，以便改进预测方法，可用于分类和回归任务。

May, 2022

探究存在未观测混杂因素和非高斯数据的因果发现

从多元观测数据中恢复因果关系结构，方法基于线性结构方程模型，可有效处理潜在混淆，并可通过无弓有向无环路径图恢复精确的因果结构。

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

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

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

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