Jul, 2017

多项式时间与样本复杂度内学习线性结构方程模型

HTML
PDF
TL;DR本文研究了从观察数据中学习线性结构方程模型（SEMs）的算法问题，旨在实现计算和统计效率，解决较一般的识别问题并没有考虑“信仰”假设的情形，提供了一个高效的算法，能够在不同噪声分布的情况下恢复SEM的有向无环图结构。
发现论文，激发创造
  • CAM: 因果加性模型，高维序列搜索和罚函数回归

    本研究提出了一种可以用于高维附加结构方程模型的估计方法，并建立了估计量的一致性，同时还开发了一种计算算法来处理许多变量，并通过模拟和实际数据验证方法的准确性和性能。

    Oct, 2013

  • 树形线性因果模型中的识别

    本文研究线性结构方程模型，提出一种利用缺失的双向边识别模型因果参数的算法，并展示了如何组合多个缺失的环来获得唯一解。

    Mar, 2022

  • 线性潜变量模型中受测量误差影响的因果推断

    探讨线性系统中存在测量误差时的因果推断问题，在鉴定列的置换和缩放范围内确定混合矩阵的情况下，发现这个问题与存在未观察到的无父原因的因果推断问题之间有相当惊人的联系，并提出了因果结构学习方法并在合成数据上评估了它们的性能。

    Nov, 2022

  • 从数据中学习具有少量根因的有向无环图（DAG）

    提出了一种新的算法, 从线性结构方程模型（SEM）生成的数据中学习有向无环图（DAG）。该算法证明在新设置中的可识别性，并显示与之前的DAG学习方法相比，少量有噪声的root causes能提供优异性能。

    May, 2023

  • CoLiDE：Concomitant线性DAG估计

    我们提出一种新的凸得分函数，用于稀疏感知线性有向无环图（DAG）的学习，在异方差场景中通过平滑的非凸无环性惩罚项进行正则化，以实现峰值同时估计，并有效地将稀疏参数与外生噪声水平解耦，该算法在大型DAG和异质噪声水平时展现出更高的性能，且表现出增强的稳定性。

    Oct, 2023

  • 通过协方差矩阵的乔列斯基分解恢复具有潜变量的线性因果模型

    通过从观测数据中恢复有向无环图（DAG）结构来发现因果关系是一个众所周知的挑战性组合问题。本文首先提出了一种基于观测数据协方差矩阵的Cholesky分解的DAG结构恢复算法，该算法快速易实现且具有精确恢复的理论保证。在合成和真实数据集上，该算法比先前的方法明显更快，并达到了最先进的性能。此外，在等误差方差假设下，我们将优化过程纳入基于Cholesky分解的算法中以处理带有潜在变量的DAG恢复问题。数值模拟表明，修改后的“Cholesky + 优化”算法能够在大多数情况下恢复出真实图，并且优于现有算法。

    Nov, 2023

  • 多项式时间内基于树形结构的因果模型辨识

    本论文研究了树状结构因果模型的识别问题，提出了一个随机多项式时间算法来判断结构参数的识别性，并给出了相应参数的分数亚方根多项式表达式。

    Nov, 2023

  • 线性结构因果模型中识别复杂性研究

    使用新的算法，根据模型的图形结构和观察数据来估计线性结构因果模型中未知的因果参数，证明参数标识在一般情况下是计算上困难的。

    Jul, 2024

  • LoSAM：具有未测量混杂因子的加性噪声模型中的局部搜索方法，顶层全局发现方案

    本研究解决了在加性噪声结构方程模型中进行因果发现的难题，未对数据生成过程施加额外假设。通过引入局部搜索方法LoSAM，本文在处理线性和非线性因果机制时提高了效率，并提出了对未测量混杂因子鲁棒的变种LoSAM-UC，显示出其优于现有基准的有效性。

    Oct, 2024

  • 学习未知因果干预的混合模型

    本研究解决了从混合的干预和观察数据中剥离因果关系的挑战，特别是在存在高斯加性噪声的线性结构方程模型中。本文提出了一种新颖的方法，通过干预数据的多样性，有效恢复混合数据中的各个组成部分，并表明所需样本复杂性与干预对变量值变化的程度成反比，从而帮助识别因果图的干预马尔可夫等价类。

    Oct, 2024