ABCD - 策略:针对有目标因果结构发现的预算实验设计
本文研究了在实验者最多进行 $k$ 个大小为 $1$ 的非自适应实验的情况下因果结构学习的问题。 我们将寻找最佳干预目标集的问题制定为优化问题,旨在最大化解决方向的边的平均数量。我们证明了相应的目标函数是子模的,并且贪心算法足以实现最优值的 $(1-rac {1}{e})$- 逼近。我们进一步提出了一种加速的贪心算法变体,可以实现数量级的性能加速。我们在合成和真实图上验证了我们提出的方法。结果表明,与纯观测设置相比,我们的算法通过较少的干预将大部分边定向。
Sep, 2017
本文提出将 Bayesian 因果发现方法融入到贝叶斯优化实验设计框架中,可以在选择干预目标和值的同时,发现具有大规模、非线性结构因果模型的有效性已在合成图和基因调控网络数据集上得到验证。
Mar, 2022
我们提出了一种基于梯度的方法来解决贝叶斯最优实验设计问题,以在批处理设置中学习因果模型。我们完全摆脱了黑盒优化技术和贪婪启发式方法,并提出了一个概念上简单的端到端梯度优化过程,以获得一组最优干预目标状态组。这种方法 outperforms 多个基线和现有获取策略,无论是在单目标还是在多目标设置下。
Feb, 2023
本文提出了一种用于评估和改进因果机器学习模型下上下文治疗分配决策的数据采集框架,采用贝叶斯实验设计用于数据高效率评估和改进过去治疗分配的遗憾。与 A / B 测试等方法相比,我们的方法通过引入基于信息的设计目标来避免分配已知高度次优的治疗方法,同时进行探索以收集相关信息。我们的方法适用于离散和连续治疗,与其他基线相比,模拟研究表明了我们提出的信息理论方法具有更好的性能。
Jul, 2022
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
通过任务特定的实验设计和推导到定制特定下游应用程序的采样策略,我们提出了一种更节省样本数据的替代随机对照试验的方法,用于因果推断,并在各种重要任务,实际数据集和样本大小的情况下,胜过其他基准,例如需要一种数量级的数据才能在定向营销任务中达到随机对照试验的性能。
Jun, 2023
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