Nov, 2016

具有循环和潜变量的结构因果模型基础

PDF
TL;DR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。
structural causal modelslatent confounderscyclessolvability conditionsstatistical causal modeling
发现论文，激发创造
  • 基于约束的非线性结构因果模型发现：循环和潜在混淆变量

    采用模块化结构因果模型 (mSCM)，引入了 sigma-connection graphs (sigma-CG)，成功实现了能够处理非线性功能关系、潜在混淆、循环因果关系和不同随机完美干预数据的因果发现算法。

    Jul, 2018

  • 独立成分分析发现循环因果模型

    本篇论文通过 IC​​A 方法，利用连续观测数据，发现了线性非高斯的因果结构模型 (LiNGAM-SEM)。该 LiNGAM 发现算法所输出的 SEM 分布等价类在大样本情况下是种群分布，并提出了仅有其中一个 SEM 稳定的充分条件。

    Jun, 2012

  • 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

  • 结构因果模型之间的抽象：定义和性质述评

    本文综述了针对结构因果模型（SCMs）在不同级别抽象间建立关系的问题上已提出的解决方案，着重于 SCMs 之间的映射的形式特性，并强调了可在其上实施此特性的不同层次（结构、分布）。此理解不仅允许区分具有更多意识的因果抽象提案，而且还允许针对特定应用程序的相关抽象形式定制抽象定义。

    Jul, 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

  • 循环、潜在混淆和选择偏倚存在下的因果演算

    该研究证明了 IOSCM 模型中的因果推理原则，包括调整标准和公式，从而使得能够在具有循环、潜在的混杂变量和选择偏差的情况下估算出条件因果效应，并扩展了 ID 算法以在这些模型中进行因果效应的识别。

    Jan, 2019

  • 结构方程模型的因果一致性

    该论文介绍了结构方程模型 (SEMs) 中精确的转换机制，以实现不同粒度和级别的建模；它强调了在因果建模过程中精确定义干涉的重要性，并阐明了循环 SEMs 的解释。

    Jul, 2017

  • 使用潜变量发现循环因果模型：一般的基于 SAT 算法的过程

    本文提出了一种非常通用的方法来学习因果模型的结构，该方法基于从任何给定的重叠的被动观察或实验性数据集获得的 d - 分离约束。此方法允许直接循环（反馈回路）和潜在变量的存在。我们的方法基于因果路径的逻辑表示，允许将相当通用的背景知识集成，推理是使用布尔满足（SAT）求解器执行的。该过程是完整的，因为它用尽了关于是否可以确定存在或不存在任何给定边缘的可用信息，否则返回 “未知”。许多现有的基于约束的因果发现算法可以看作是特殊情况，适用于一个或多个限制性假设的情况。模拟说明了这些假设对发现的影响以及现有算法的扩展能力。

    Sep, 2013

  • 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

  • SLEM: 超学习器方程建模的路径建模和因果推理

    超级学习方程建模是一种集成机器学习超级学习器的路径建模技术，能够提供一致和无偏的因果效应估计，并在处理非线性关系时比结构方程模型（SEM）表现更好。

    Aug, 2023