循环、潜在混淆和选择偏倚存在下的因果演算
本文介绍了一种称为循环因果推断(CCI)的算法,能够在条件独立神经元操作符下对循环因果过程进行有效推断,如将循环因果过程表示为非递归线性结构方程模型与独立误差。实证结果表明,CCI 在循环情况下优于 CCD,且在无环情况下与 FCI 和 RFCI 竞争力不相上下。
May, 2018
采用模块化结构因果模型 (mSCM),引入了 sigma-connection graphs (sigma-CG),成功实现了能够处理非线性功能关系、潜在混淆、循环因果关系和不同随机完美干预数据的因果发现算法。
Jul, 2018
本研究主要在于探究具有潜在共变量和环路的结构因果模型,并证明其遵守特定可解性条件下的便利性质,这一工作将结构因果模型在具有周期的情况下进行了推广,从而提供了一般性的统计因果建模的基础。
Nov, 2016
我们提出了一种迭代因果发现算法 (ICD),可在潜在混淆变量和选择偏差的情况下恢复因果图,并演示了 ICD 相较于 FCI、FCI + 和 RFCI 算法,需要更少的 CI 测试并学习更准确的因果图。
Nov, 2021
本文提出了一种非常通用的方法来学习因果模型的结构,该方法基于从任何给定的重叠的被动观察或实验性数据集获得的 d - 分离约束。此方法允许直接循环(反馈回路)和潜在变量的存在。我们的方法基于因果路径的逻辑表示,允许将相当通用的背景知识集成,推理是使用布尔满足(SAT)求解器执行的。该过程是完整的,因为它用尽了关于是否可以确定存在或不存在任何给定边缘的可用信息,否则返回 “未知”。许多现有的基于约束的因果发现算法可以看作是特殊情况,适用于一个或多个限制性假设的情况。模拟说明了这些假设对发现的影响以及现有算法的扩展能力。
Sep, 2013
本文使用范畴论方法对因果模型进行了分类处理,从 “纯因果” 的角度定义了因果独立 / 分离、因果条件等重要概念,并产生了一个核心部分的语法版本的 syntactic do-calculus 在所有因果模型中继承。
Apr, 2022
本文介绍了一个完整的可识别性结果,该结果表征了所有情况,其中从总结因果图中直接效应可以图形化识别,并提供了两个可靠的有限调整集,可以用来估计直接效应。
Jun, 2023
本文提出基于可识别因子模型的新的图形可识别性标准,以解决存在隐变量和选择偏差情况下,总效应识别问题。该标准可用于识别观察研究中的总效应,并为因子模型的识别条件提供了新的视角。
Jun, 2012