因果结构学习的预算实验设计

Sep, 2017

Budgeted Experiment Design for Causal Structure Learning

AmirEmad Ghassami, Saber Salehkaleybar, Negar Kiyavash, Elias Bareinboim

TL;DR本文研究了在实验者最多进行 $k$ 个大小为 $1$ 的非自适应实验的情况下因果结构学习的问题。我们将寻找最佳干预目标集的问题制定为优化问题，旨在最大化解决方向的边的平均数量。我们证明了相应的目标函数是子模的，并且贪心算法足以实现最优值的 $(1-rac {1}{e})$- 逼近。我们进一步提出了一种加速的贪心算法变体，可以实现数量级的性能加速。我们在合成和真实图上验证了我们提出的方法。结果表明，与纯观测设置相比，我们的算法通过较少的干预将大部分边定向。

Abstract

We study the problem of causal structure learning when the experimenter is limited to perform at most $k$ non-adaptive experiments of size $1$. We formulate the problem of finding the best intervention target set

causal structure learning optimization submodular greedy algorithm intervention

发现论文，激发创造

ABCD - 策略：针对有目标因果结构发现的预算实验设计

本文提出了基于贝叶斯推断的最优实验设计的一般框架和理论，用于目标因果性发现。该方法基于次模性提供了可行的实现，并在人工数据集和真实数据集上证明其优越性能。

Feb, 2019

通过小操作学习因果图

该论文探讨了在 Pearl 的结构方程模型下使用有限干预学习因果网络的问题，并使用信息论方法研究了干预次数的下界，并提出了一种新的分离系统构造方法来学习弦图和任意骨架的因果方向。

Oct, 2015

成本感知因果图学习实验设计

研究了在给定因果图的情况下，通过最小成本干预变量来学习任意因果图的问题。证明了该问题是 NP 难问题，提出了一种基于贪心算法的常数级别近似解，并开发了一种计算干预设计的算法，该算法在稀疏因果图和干预条件下几乎是最优的，并讨论了在节点有成本的情况下如何使用它。

Oct, 2018

从干预数据中主动学习因果模型的两种最优策略

本文提出了两种基于最优实验设计策略的主动学习方法，用于求解因果 DAG 的最优干预目标，以改进因果 DAG 的边缘识别。其中第二种策略在多项式时间内得到任意大小的最小目标集，保证因果 DAG 的全识别。在模拟研究中，两种主动学习方法与随机干预进行比较，并分析估计误差对主动学习性能的影响。

May, 2012

因果发现的几乎最佳干预集合

本文研究探讨了在给定一个观测 Markov 等价类的因果图时，发现其唯一性所需的最坏情况实验次数可以指定为 Markov 等价类中最大团的函数。我们提供了一种算法来计算我们认为对于上述任务最优的干预集合。该算法建立在 Eberhardt 等人（2005 年）对于当考虑所有可能的 N 个变量的有向无环图时的一系列实验的最坏情况分析中获得的洞见的基础上。仿真结果表明我们的猜想是正确的。我们还展示了我们的猜想推广到其他可能的图假设类别不易进行，以及算法不再最优的意义。

Jun, 2012

适应性在线实验设计用于因果推断

在线学习中基于干预样本历史的分离图系统相匹配的追踪停止因果发现算法优于现有方法，通过较少的样本实现更高准确性的因果图学习。

May, 2024

因果图的成本最优学习

考虑有干预的变量集合的因果图学习问题，研究了在给定骨架的情况下设计最小总代价的干预集合，以唯一确定具有该骨架的任何因果图的成本最优因果图学习问题，并证明该问题可以在多项式时间内求解，针对干预数量有限的情况，我们提供了树或团树骨架的情况下的多项式时间算法，对于一般弦图骨架，我们开发了一个高效的贪心算法，当因果图骨架是区间图时，可以改进算法。

Mar, 2017

可微分的多目标因果贝叶斯实验设计

我们提出了一种基于梯度的方法来解决贝叶斯最优实验设计问题，以在批处理设置中学习因果模型。我们完全摆脱了黑盒优化技术和贪婪启发式方法，并提出了一个概念上简单的端到端梯度优化过程，以获得一组最优干预目标状态组。这种方法 outperforms 多个基线和现有获取策略，无论是在单目标还是在多目标设置下。

Feb, 2023

具有因果结构的优化问题中的最佳观测干预平衡

我们考虑在有限预算内优化一个昂贵的灰箱目标函数的问题，其中存在已知的设计变量间的因果结构的副信息。标准黑箱优化忽略了因果结构，往往导致低效和高成本。已有的少数考虑因果结构的方法是目光短浅的，并未充分考虑估计因果作用时出现的观测干预权衡。在本文中，我们展示了观测干预权衡可以被公式化为非目光短浅的最优停止问题，从而得到有效解决方案。我们给出了理论结果，详细说明了最优停止时间的结构，并通过展示其与现有因果贝叶斯优化算法的集成，证明了我们方法的普适性。实验结果表明，在真实和合成基准上，我们的公式能够增强现有算法。

Sep, 2023

干预在何地、何种方式？大规模因果模型的实验设计

本文提出将 Bayesian 因果发现方法融入到贝叶斯优化实验设计框架中，可以在选择干预目标和值的同时，发现具有大规模、非线性结构因果模型的有效性已在合成图和基因调控网络数据集上得到验证。

Mar, 2022