本文回顾和讨论了一些关于图模型的进展,包括了无向图模型和有向图模型的估计方法,以及处理潜在变量和异构数据源的拓展。
Jun, 2016
本文通过建立结构性因果模型和应用图神经网络模型,提出了一种新的因果推断方法,并证明了该方法可以用于因果效果辨识。
Sep, 2021
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
通过概率分布和因果关系特征,提出了一种计算效率高的因果结构学习方法,并在合成和真实数据集上进行了验证。
Nov, 2022
该研究论文提出了一种利用约束编程方法结合先前知识和理论洞见的实用方法,从而解决了时间序列数据中因果学习算法估计的图形结构提供高度误导性因果信息的问题,并且可以扩展到大型随机变量集合,并不需要精确知道时间尺度差异。
May, 2022
本文从图形模型的角度综述了多学科的经验性统计学习,包括图形模型的常见例子,如贝叶斯网络、表示马尔科夫链的有向图和表示马尔科夫场的无向网络,并使用试板符号扩展来对数据分析和实证学习进行建模,提供了简化和操作问题的图形操作,包括分解、演变和来自指数族的概率模型的操作。文中还综述了两种标准的算法模式:Gibbs 采样和期望最大化算法,并使用这些操作和模式综述了一些流行的算法,包括线性回归、前馈网络的技术以及从数据学习高斯和离散贝叶斯网络。最后,本文概述了图形模型提供的框架来理解和开发复杂学习算法的一些含义。
Dec, 1994
研究通过混合因果模型来获得分布,并探讨了如何从基于此类分布的样本中进行因果结构学习及如何使用这些信息对样本进行聚类。
Jan, 2020
本文提出了一种基于梯度的方法,将组合结构学习问题转化为连续优化问题,并进一步应用于图自编码器框架中,以应用于非线性结构方程模型以及向量值变量的因果结构学习。作者在合成数据集上进行了实验,结果表明这种方法在大型因果图中明显优于其他基于梯度的方法,而且在图的规模扩大时,方法的可扩展性和效率表现均表现良好。
Nov, 2019
因果推理和反事实推理是数据科学中的新兴方向,尤其适用于通常无法获取实验数据的环境和生态科学领域。本文提出了一个在社会生态系统领域内边界不可识别查询的新技术,并发现传统统计分析方法无法揭示变量之间的关系本质,其中反事实推理变得非常有价值。
Jan, 2024
在非参数的因果表示学习中,通过稀疏约束和适当的因果影响条件,可以恢复有向无环图的势化图,从而揭示潜在因果模型的潜在变量及其关系的特定且复杂的方式。
Feb, 2024