提出了一种结合线性或非线性条件独立性检验与因果发现算法的方法,可以从大规模时间序列数据集中重构因果网络,从而在气候科学或神经科学等研究领域中识别因果关系。
Feb, 2017
使用符号表示对假设引导论证(ABA)进行推理可以支持因果关系的发现,此方法在使用答案集编程(ASP)实现后在因果发现的标准基准测试中表现良好。
May, 2024
本研究介绍了因果发现中常用的术语,讨论了用于不同场景中识别因果边的方法,还探讨了用于评估因果发现算法性能的基准数据集、现有工具和常用指标。最后,我们总结了因果发现中存在的常见挑战,并讨论了因果发现在多个领域的应用。
Mar, 2023
本文旨在统一因果建模和决策分析两大领域,提出了一种新的因果影响图的模型来描述因果依赖关系,并讨论了 Howard 规范形式在此模型中的作用。
Feb, 2013
本文介绍因果推断、因果发现、因果图、算法和真实世界应用,并探讨最近一致性观点对现有算法的概述、有用的工具和数据,以及为什么和如何可以成功利用这些方法。
May, 2023
本文讲述了决策论统计因果关系(DT)在表示和解决因果问题中的奠基性数学和解释性,并旨在通过采用假设数据和问题之间的关系来理解何时以及如何利用外部数据来帮助解决决策问题,同时明确了支持 DT 方法应用所需的考虑因素,通过可交换性条件构建了所需的关系,并以意图治疗和干预治疗之间的区分为基础形成了 “可忽略性” 的实现条件,同时还展示了 DT 观点如何统一和阐明其他流行的统计因果性质的形式,包括潜在响应和有向无环图。
Apr, 2020
在线学习中基于干预样本历史的分离图系统相匹配的追踪停止因果发现算法优于现有方法,通过较少的样本实现更高准确性的因果图学习。
本文探讨了应用因果分析作为资源优化工具来开发医学成像机器学习应用的潜力。通过对合成数据集和糖尿病视网膜病变图像分析的实例研究,研究了数据集干预对图像分类模型输出的影响,以及需要在数据集中加入的数据量和类型以实现特定子任务的更好性能。
Jun, 2022
本文综述了在潜在结果框架下,针对观察数据的因果推断方法。这些方法分为两类,包括传统的统计学方法和最新的机器学习方法,还介绍了这些方法在广告、推荐、医学等领域的应用以及常用的基准数据集和开源代码。
Feb, 2020
本文分析了没有条件独立 (conditional independence) 武器下,因果探索算法的样本复杂度,以及领域专业知识在数据样本方面的价值,并通过数字实例证明了这些抽样率的准确性,并量化了稀疏先验和已知因果方向的好处。
Feb, 2021