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
本论文讨论了概率不变性或稳定性的概念及其如何应用于因果推断与预测鲁棒性问题。同时提出了一种用于风险最小化问题的因果形式化方法,通过估计常常出现在数据收集中的异构性或扰动数据来确定这种不变性。此新方法在许多应用中具有潜在的实用价值,比标准回归或分类框架中的机器学习或估计方法提供了更强的鲁棒性和更好的因果解释。
Dec, 2018
通过数据驱动的方法,在结构因果模型框架下,提出了一种名为 Focused Adversarial Invariance Regularization (FAIR) 的新框架,用于解决多样环境下的不变性追求问题,并应用 FAIR-NN 估计器实现普适的非参数不变性学习。
May, 2024
本文提出了一种方法来从时间序列数据中推断出因果关系,该方法能够识别因果预测变量并保持环境和异质性模式不变。
Jun, 2017
在因果模型中,假定给定的机制对其他机制的变化是不变的。我们通过建立不可能的结果,表明仅靠不变性无法识别潜在的因果变量。结合实际考虑,我们利用这些理论发现来强调通过利用不变性来识别表示的需求需要额外的约束。
Dec, 2023
本文提出了一种基于因果结构的新算法来学习不变表示,通过实验证明其在各种任务上表现优异,尤其是领域泛化方面取得了最先进的结果。
Jun, 2022
本文提出六种线性低维度问题,即单元测试,以精确评估不同类型的超出分布泛化问题,提供代码以自动复制所有结果,希望我们的单元测试成为超出分布泛化研究人员的标准起点。
Feb, 2021
寻找自动化搜索方法,从观察数据中学习因果结构;讨论潜变量和观察变量之间的因果联系以及它们之间的潜在模式和结构;提出了不同于高斯分布条件的 k - 三角性忠诚度的另一定义,可用于非高斯分布;轻松学习具有潜变量的因果结构的充分性假设。
Aug, 2023
提出了一种不变因果表示学习 (iCaRL) 方法,通过利用广义指数族分布得出数据表示,可以在非线性场景中实现超出分布的泛化,并发现目标的全部直接原因,针对合成和真实数据集提出性能优于基线方法的实验结果。
我们提出了一种学习线性模型的方法,该方法可使预测性能对无法观测变量的因果干预具有鲁棒性,当这些变量的噪声代理可用时。
Mar, 2021