混合加性噪声模型的因果推断与机制聚类

NIPSSep, 2018

混合加性噪声模型的因果推断与机制聚类

Causal Inference and Mechanism Clustering of A Mixture of Additive Noise Models

Shoubo Hu, Zhitang Chen, Vahid Partovi Nia, Laiwan Chan, Yanhui Geng

TL;DR本文提出一种基于混合模型的 Additive Noise Model (ANM)，并且通过 Gaussian Process Partially Observable Model (GPPOM) 加入独立性约束，可用于根据混合模型的生成机制进行因果推断和聚类。

Abstract

The inference of the causal relationship between a pair of observed variables is a fundamental problem in science, and most existing approaches are based on one single causal model. In practice, however, observations are often collected from multiple sources with heterogeneous causal models due to certain uncontrollable factors, which renders causal analysis

causal inference mixture model additive noise model gaussian process partially observable model clustering

发现论文，激发创造

通过加性模型和任意噪声进行得分匹配的因果发现

本文研究因果关系发现方法，特别是用于非线性模型和高斯噪声假设的方法。提出了一种新的算法 NoGAM，可以在最少的前提条件下发现因果关系，并在合成数据上进行了实验基准测试。

Apr, 2023

使用加性噪声模型进行离散数据因果推断

本研究基于加性噪声模型，扩展了因果推论在离散变量情况下的应用，提出了一种快速的算法，能够有效判断有限离散变量的因果关系，经实验验证表明该算法可行。

Nov, 2009

使用级联非线性加性噪声模型进行因果关系发现

提出了一种级联非线性加性噪声模型，可以发现难以被非线性加性噪声模型正确揭示的因果关系。该研究还在变分自编码器框架下提出一种方法来估计该模型并克服了实践中存在的一些问题。

May, 2019

利用观测数据区分因果关系的方法和基准

本文回顾了两组单变量因果发现的方法：加性噪声方法（ANM）和信息几何因果推断（IGCI）。作者呈现了一项由各个领域（如，气象学、生物学、医学、工程、经济学等）37 个数据集中选择的 100 个不同因果对的数据基准，这些方法在真实世界基准数据上的实证结果表明，某些方法确实能够仅使用纯观测数据区分原因和效应。

Dec, 2014

使用连续加性噪声模型进行因果推断

研究学习因果有向无环图从观察到的联合分布，探索一种基于结构方程模型的可识别因果图的替代方法，并提供针对有限样本的实用算法和实证研究。

Sep, 2013

缺失数据的加性噪声模型下的因果结构识别

在存在自我遮蔽缺失情况下，探索从缺失数据中学习因果结构的识别问题是一项具有挑战性的任务，然而我们发现最近引入的加性噪声模型具有潜力用于解决这个问题。本研究通过扩展因果骨架的可识别范围，给出了加性噪声模型下因果方向的充分和必要的识别条件，并提出了一种基于该理论结果的实用算法来学习因果结构。通过对合成数据和真实数据的广泛实验，证明了该算法的高效性和有效性。

Dec, 2023

高斯过程网络中的贝叶斯因果推断

在高斯过程网络（GPN）模型中进行贝叶斯估计来推断多步骤干预效应，通过模拟整个网络中干预的影响并传播到下游变量，以及使用高斯过程建模条件分布来估计干预分布，进一步考虑到因果结构不确定性。结果表明，该方法能够识别非高斯、非线性的观测数据中假设干预的效果，并准确反映因果估计的后验不确定性。

Feb, 2024

iSCAN：非线性加性噪声模型中的因果机制转移识别

本文研究如何在不确定模型图结构的情况下，通过识别函数机制变化来比较两个或多个相关结构因果模型。我们提出使用非线性加性噪声模型对各模型进行建模，并证明了使用混合分布的分数函数的雅可比矩阵可以用于识别非参数函数机制中的变化。在确认变化的因素后，我们进一步使用其他方法来估计变化的结构差异，以此来帮助理解在不同环境下各个变量的差异。

Jun, 2023

从时间序列数据中发现结构因果模型的混合物

从混合不同因果模型的时间序列数据中，利用证据下界最大化的方法进行因果发现，经过实验证明在探测来自不同因果图的数据时，该方法优于现有基准模型。

Oct, 2023

来自实验和观测数据混合的因果发现

本文介绍了一种贝叶斯方法，用于将任意混合的观测和实验数据相结合，以学习因果贝叶斯网络，其中观测数据是被动观察的，实验数据是实验者通过操纵一个或多个变量来获得的。该学习方法已应用于基于 ALARM 因果贝叶斯网络生成的各种混合实验数据，其用于预测因果结构，并估计 ALARM 中不混杂的随机选定节点对之间存在的因果参数。

Jan, 2013