多项式时间与样本复杂度内学习线性结构方程模型
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
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
基于连续优化框架通过引入松弛且可实现的充分条件,证明了一类可辨识的结构方程模型 (SEM),在此基础上提出了一种新颖的有法考虑噪声方差变异的 DAG 学习方法,并设计了一个有效的两阶段迭代算法来解决优化困难,实现对具有异方差变量噪声和不同方差的数据的因果 DAG 学习。在合成数据和实际数据上,实验结果显示该方法明显优于现有方法。
Dec, 2023
该研究开发了一个框架,可用于从数据中学习稀疏的非参数有向无环图(DAG)。该方法基于最近对 DAG 进行的代数描述,该描述为分数为基础的 DAG 模型的学习提供了一个完全连续的程序,该程序通过线性结构方程模型(SEM)进行参数化。该框架适用于各种非参数和半参数模型,包括广义线性模型(GLMs)、加性噪声模型和索引模型等特殊情况。与现有方法不同,这个方法不需要特定的建模选择、损失函数或算法,它提供了一个完全通用的框架,可应用于一般的非线性模型和一般的可微分的损失函数,以及通用的黑盒优化例程。代码可在 https 网址处获得。
Sep, 2019
研究了隐变量图模型中的结构估计问题,提出了一种计算高效且保证正确性的方法,并应用于局部树状结构的模型及相关衰减的模型,特别地,对于伊辛模型,该方法能与采样要求的下界接近。
Mar, 2012
我们提出了一种基于提升的方法来从观察数据中学习加法结构方程模型 (SEMs),重点研究确定变量之间因果顺序的理论方面。我们引入了一族基于任意回归技术的得分函数,并建立了一些必要条件,以一致地优选真实的因果顺序。我们的分析揭示了提前停止的提升在满足这些条件的同时,提供了一个一致的因果顺序得分函数。为了解决高维数据集带来的挑战,我们通过分量梯度下降在加法 SEMs 空间进行了适应。我们的模拟研究验证了我们在低维度下的理论结果,并证明我们的高维适应与最先进的方法相竞争。此外,它对超参数的选择表现出鲁棒性,使得该方法易于调整。
Jan, 2024
本文研究了从 i.i.d 样本中学习离散无向图结构的计算复杂性。首先,我们指出学习带有噪声的奇偶校验可以作为学习图模型的一个特殊情况。其次,我们提出一个有关统计算法的条件,它们无法在 $p$ 最大度数为 $d$ 的一般图模型上有效学习,因此需要限制模型类的大小。除了对图的结构性假设之外,我们还引入相关性衰减度量,研究了反铁磁模型。我们提供了一个性能介于 $O (p^2)$ 和 $O (p^{d+2})$ 之间的算法。
Dec, 2014