本文研究使用因果贝叶斯网络中的观测样本有效估计单一变量干预效应的问题,并给出了高效的时间与样本复杂度算法。
Feb, 2020
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
通过简单但常见的独立性假设,可以独特地估计干预公式的概率,包括充分性和必要性的概率。在许多感兴趣的情况下,当这些假设适用时,可以使用观测数据评估这些概率估计,这在实验不可行的情况下具有巨大的重要性。
May, 2024
学习因果有向无环图(DAG)的问题,使用观测和干预实验数据的组合进行研究,采用贝叶斯方法从一般干预中进行因果发现,通过图形特征化和兼容先验的贝叶斯推断保证不可区分结构的分数等价性,利用马尔可夫链蒙特卡洛(MCMC)拟合 DAG、干预目标和导致的父节点集合的后验分布,最后在模拟和真实蛋白质表达数据上评估了所提出的方法。
Dec, 2023
我们提出了一种基于贝叶斯优化的方法,通过活动干预来最大化获取决定性和正确证据的概率,从而有效地发现因果关系,并增强理论进展的实际应用。
Jun, 2024
通过干预来学习混合因果模型中变量之间的因果关系是一项具有挑战性的任务,本文提出了匹配性的必要和充分条件以及一种自适应算法,用于学习混合因果模型中的所有真实边,具有最佳干预效果并在混合模型不包含循环关系时尺寸最小。
该研究论文提出了一种基于随机干预的因果发现模型,通过最小化干预次数来解决因果发现问题,提供了多对数竞争比的近似算法,并给出了一些初步实验结果。
Feb, 2024
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
本文研究了如何在潜变量的影响下,通过最小化干预代价来恢复因果图,并提出了两种干预代价模型,并在此基础上,给出了在线性代价模型下识别祖先关系的算法,以及使用特殊类型的 colliders 来限制干预次数的方法。
May, 2020
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。