Mar, 2019

从异质 / 非平稳数据中独立变化进行因果推断

PDF
TL;DR本文提出了一种基于约束的因果发现框架，称为 CD-NOD，用于从异构 / 非平稳数据中查找原因骨架和方向，并估计机制变化的属性。该方法在各种合成和真实数据集上进行了实验验证，证明了其有效性。
发现论文，激发创造
  • 非定态因果模型的发现和可视化

    本文提出了一个有原则的框架来处理非平稳数据，并开发了一些方法来处理三个重要问题：检测局部机制不平稳的变量以及恢复观测变量之间的因果结构，通过利用变化分布所携带的信息确定某些因果方向，以及开发可视化因果模块的非平稳方法。作者通过各种合成和真实世界数据集的实验结果来展示这些方法的有效性。

    Sep, 2015

  • 从缓慢变化的非平稳过程进行因果推断

    通过时间可变滤波器和稳态噪声，利用非平稳性在双变量和网络设置中实现因果识别的一种新型受限结构因果模型，使用高阶和非平滑滤波器的各种合成和实际数据集评估了我们提出的方法的有效性。

    May, 2024

  • 未知非平稳条件下的时间分解表示学习

    在非平稳环境中，本研究通过探索具有时间延迟因果关系的过程下的马尔可夫假设，表明在温和条件下，可以从非线性混合中恢复独立的潜在成分，而无需观察辅助变量。我们还提出了 NCTRL，一种基于原则的估计框架，仅通过测量的序列数据重建时间延迟的潜在因果变量并确定它们之间的关系。经验评估表明，我们的方法可可靠地识别时间延迟的潜在因果影响，并在很大程度上胜过无法充分利用非平稳性并因此无法区分分布变化的现有基线方法。

    Oct, 2023

  • CDANs: 自自相关和非平稳时间序列数据的时间因果发现

    该研究提出了一种新颖的基于约束条件的因果发现方法，用于自相关和非平稳时间序列数据中的模块变化检测和因果关系识别。

    Feb, 2023

  • 状态空间模型下的非平稳环境因果发现与预测

    本研究针对非平稳时间序列的因果关系发现和预测问题，提出了一种基于状态空间模型的方法，利用非平稳的性质来确定因果结构，将预测问题视为因果模型的贝叶斯推断问题，并在合成数据和真实数据集上进行了实验验证。

    May, 2019

  • 使用高阶 Markov 切换模型识别非平稳因果结构

    通过建立高阶马尔可夫切换模型的可辨识性，我们提出了基于制度依赖因果关系的发现方法，并通过实证研究展示了该方法在高阶制度依赖结构估计上的可扩展性，并对脑活动数据的适用性进行了说明。

    Jun, 2024

  • 异构数据的联邦因果推断

    提出了一种新的面向任意因果模型和异构数据的联邦因果探索方法，通过使用代理变量来解决不同客户端之间的数据异构性，并利用联邦条件独立性检验和联邦独立性改变原则来确定因果方向，无需对特定函数形式进行任何假设，以以保护数据隐私的方式构建摘要统计量，实验证明了该方法的有效性。

    Feb, 2024

  • 在稀疏机制转移假设下异质环境下的因果发现

    本文探讨了在非独立同分布环境下学习因果结构的方法，提出了稀疏机制偏移假设，并应用于提出的机制偏移得分进行实证研究，结果证明了该算法具有较高的正确性和实用性。

    Jun, 2022

  • 从变化中发现因果关系

    本研究提出了一种基于本地自发变化的方法，用于发现因果结构，并分析了与之相关的结构类别，设计了可以输出这些等价类的图形表示的算法，并使用模拟数据展示了实验结果，研究了变化检测和结构恢复的误差。

    Jan, 2013

  • eCDANs: 从自相关和非平稳数据中高效进行时间因果分析（学生摘要）

    提出了一种新的约束条件因果推断方法 eCDANs，旨在解决传统时态因果推断方法的问题，具有检测迟滞和同时因果关系以及时间变化的能力。实验表明该方法能够识别时间影响并优于基线方法。

    Mar, 2023