Mar, 2018

结构不可知建模：对因果图的对抗学习

PDF
TL;DR本研究提出了一种新的因果发现方法 Structural Agnostic Modeling（SAM），该方法结合了条件独立性和分布不对称性，并旨在从观察数据中找到潜在的因果结构。研究使用神经网络作为不同参与者之间的游戏，并通过优化图结构和参数来实现优化学习准则。该方法通过在合成和真实数据上进行广泛的实验验证。
发现论文，激发创造
  • 基于掩码梯度的因果结构学习

    本文研究了从观测数据中学习因果结构的问题，提出了一种基于结构方程模型的因果结构学习方法，并通过实验验证了其良好性能。

    Oct, 2019

  • 走向人类化感知：学习异构图中的结构因果模型

    通过构建可理解的变量和包含高级因果发现技术的自动学习任务级因果关系，HG-SCM 可以模拟人类感知和决策过程。在实证数据集上与七种基线模型进行比较后，HG-SCM 取得了最高的平均性能排名和最小的标准差，充分证明了其在预测能力和推广性方面的有效性和优越性，并且所自动学习的三个任务的因果图可视化和分析与领域知识和人类认知相吻合，展示出了其卓越的可解释性。HG-SCM 的类人特性以及增强的推广性和可解释性使其成为在透明度和可信度至关重要的特殊场景中具有潜力的解决方案。

    Dec, 2023

  • 通过对抗遗漏引发的误导行为：利用缺失数据干扰因果结构学习

    本文研究在观测数据的基础上推断因果结构，提出了一种新的攻击方法，即敌对遗漏攻击。通过省略一部分真实的训练数据，来偏置学习到的因果结构以达到预期的目的，并在真实和合成数据集上进行了实验验证，证明了敌对遗漏攻击在欺骗流行的因果结构学习算法方面的有效性。

    May, 2023

  • 因果结构学习

    本文研究了关于基于数据学习因果模型的结构学习算法，比较了它们在不同场景下的实验性能表现。

    Jun, 2017

  • 基于结构信息原理的对抗性社交机器人建模

    利用结构熵原则基础的敌对社交机器人建模框架（SIASM）提出了一种数学框架，以更准确、更有效地建模敌对行为，并通过其在社交网络中的高度影响和可持续潜伏性方面显示出显着的性能改进。

    Dec, 2023

  • 基于图自编码器的因果结构学习方法

    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

  • 将图神经网络与结构因果模型相关联

    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

  • 带有局部搜索的混合全局因果发现

    在观测数据中进行因果发现是一项具有挑战性的任务，本研究提出了一种新颖的混合方法，结合局部因果子结构，通过引入拓扑排序算法和非参数约束算法，在线性和非线性设置中实现了全局因果推断，并在合成数据中进行了验证。

    May, 2024

  • 基于约束条件从少样本图中学习因果结构

    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

  • 变分因果网络：对因果结构进行近似贝叶斯推断

    本文提出了对基于结构性因果模型的图形变分推断的形式，通过参数化变分模型来模拟分布，并在参数数量与变量数量的指数无关的情况下进行可处理的训练。

    Jun, 2021