AAAINov, 2016

熵因果推断

PDF
TL;DR针对使用观测数据确定两个离散随机变量之间的因果方向的问题，我们在最一般的函数模型条件下，在未观测到的外源变量上作出简化假设，使用 Rényi 熵来量化其简单性。我们的主要结果是，如果该外源变量在正确的方向上的 H0（熵）熵较低，那么它在错误方向上的 H0 熵一定较高。我们提出了一种基于最小熵耦合问题的贪心算法，用于找到具有最小熵的外源变量，并将其应用于因果推断问题。
发现论文，激发创造
  • 熵因果推断：可识别性和有限样本结果

    该研究介绍了熵因果推断的框架和可辨识性假设，利用实验证明了在大多数因果模型中，当外生变量的熵不随观测变量状态数增加而增加时，可以通过观测数据确定因果方向。同时，该研究第一次通过有限数量的样本证明了算法可辨识性保证，还考虑了在理论假设方面进行改进的鲁棒性评估和样本量问题。

    Jan, 2021

  • 量化因果影响

    本文提出了一组自然、直观的因果强度度量法，并通过时间序列的模拟实验证实了我们提出的度量法的有效性。

    Mar, 2012

  • 从观察数据中推断因果方向：复杂性方法

    通过在离散或连续随机变量之间预测因变量来区分因果关系，我们提出了多个简单快速的标准，以检验因果关系，适用于广泛的因果机制和数据噪声类型。

    Oct, 2020

  • 条件熵的因果分层

    从可观测数据中，通过条件熵预言的方式，我们提供了一种恢复图层次结构的方法，以离散分布为前提，并以删除图中源或汇的方法来验证算法的正确性和纠正性。

    Jan, 2024

  • 最可能的共同原因

    本文介绍了基于广义最大似然方法的共同原因原理，研究了在因果不充分的情况下，如何处理共同原因 $C$ 无法被唯一确定的问题，并讨论了共同原因对受限制的三个变量之间的因果结构的影响。

    Jun, 2023

  • 耦合熵

    本文研究有限边缘集上香农信息量度的一些一般特性以及与最优化问题的关系，引入最小熵耦合的概念及其在信息理论、计算和统计学上的相关性，并研究由这些耦合所定义的偏度量族，特别是它们与总变差距离的关系，并给出对条件熵的新的表征。

    Mar, 2013

  • 随机因果系数

    本研究使用核均值嵌入分类将因果推断作为问题，从数据中直接学习因果推理，并在合成和实际数据上验证了方法的性能，赢得了 ChaLearn’s “Fast Causation Coefficient Challenge” 的 the fastest code prize，并排名第三.

    Sep, 2014

  • 推断确定性因果关系

    对于两个变量间的因果关系推断，我们提出了一种新的方法，即在确定性（无噪声）情况下，利用函数的非对称性以及它和因变量的概率密度的独立性进行推断。我们还将其与信息几何联系在一起，在不同领域的实际数据集上获得了强有力的实证结果。

    Mar, 2012

  • 因果熵和信息增益的基本属性

    通过引入编码在干预一个变量时另一个变量熵的变化的量，最近的研究实现了给定结构因果模型（SCM）的因果控制的量化。我们的研究通过建立和分析这些概念的基本性质，包括界限和链规则，对因果熵和因果信息增益的概念的形式理解做出了贡献。此外，我们阐明了因果熵与随机干预之间的关系，并提出了因果条件熵和因果条件信息增益的定义。总体而言，这种探索为通过研究最近提出的在因果性考虑方面扎根的信息论量来增强因果机器学习任务铺平了道路。

    Feb, 2024

  • 使用加性噪声模型进行离散数据因果推断

    本研究基于加性噪声模型，扩展了因果推论在离散变量情况下的应用，提出了一种快速的算法，能够有效判断有限离散变量的因果关系，经实验验证表明该算法可行。

    Nov, 2009