应用贝叶斯框架构建了一个新的因果模型,利用可识别因果方向的贝叶斯模型选择方法,在柔性模型类别中解决了数据集中的因果关系判断问题并且在各种生成数据假设下的性能优异。
Jun, 2023
本文提出一个解释黑盒视觉分类器的因果推断扩展,即在实例特征选取的基础上选择对模型输出具有最大因果效应的特征子集,并使用相对熵距离量化这些特征子集的因果影响,该方法运用于多个视觉数据集中并证明了其高效性。
Apr, 2021
本文研究了贝叶斯网络建模中的参数独立性、模块化特性、似然等价性等假设。同时介绍了机制独立性和组件独立性这两个新的假设,通过以上全部假设可以将学习无因果网络的方法应用到因果网络中。
Feb, 2013
本文提出了一种新的因果模型 Unique Causal Network,解决了基于贝叶斯网络的模型在因果解释性上存在的问题,同时提出了基于高阶因果熵算法的分布式 UCN 结构识别方法,用于处理非平稳时间序列数据,实验证明该方法在非平稳时间序列数据上具有最先进的准确性。
Nov, 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。
提出一种基于反偏倚机器学习的一对多特征选择方法,可用于纯观察性数据,同时提供理论保证,包括部分非线性关系和循环数据的情况,并证明与目前的方法相比有显著改进。
Jul, 2020
我们提出了一种新颖的方法,结合了特征选择和因果发现,专注于时间序列,通过使用前向和后向特征选择程序,并利用传递熵来估计从特征到目标的因果信息流,实现了特征的选择不仅仅基于模型性能,还捕捉到因果信息流。
Oct, 2023
学习领域无关的语义表示对于实现领域泛化至关重要,本文提出了基于因果关系的问题描述,并通过强制实施因果特征与非因果特征之间的边际独立性来解决特征纠缠问题。通过观察因果特征在给定对象的条件下与领域无关的独立性关系,本文提出了两个策略以补充基本框架,并通过理论和实验结果证明这两个策略对基础的边际独立性框架是有益的。
Mar, 2024
本文提出了一个有原则的框架来处理非平稳数据,并开发了一些方法来处理三个重要问题:检测局部机制不平稳的变量以及恢复观测变量之间的因果结构,通过利用变化分布所携带的信息确定某些因果方向,以及开发可视化因果模块的非平稳方法。作者通过各种合成和真实世界数据集的实验结果来展示这些方法的有效性。
Sep, 2015
预测未见干预的效果是数据科学中的一个基本研究问题。本文采用了部分祖先图(Partial Ancestral Graph)作为输入,提供了一种可以在数据驱动环境下计算因果效应界限的系统算法。
Nov, 2023