使用级联非线性加性噪声模型进行因果关系发现

IJCAIMay, 2019

使用级联非线性加性噪声模型进行因果关系发现

Causal Discovery with Cascade Nonlinear Additive Noise Models

Ruichu Cai, Jie Qiao, Kun Zhang, Zhenjie Zhang, Zhifeng Hao

TL;DR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。

Abstract

Identification of causal direction between a causal-effect pair from observed data has recently attracted much attention. Various methods based on functional causal models have been proposed to solve this problem, by assuming the causal process satisfies some (structural) constraints a

causal direction nonlinear additive noise model causal discovery functional causal models variational auto-encoder

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

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

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

混合加性噪声模型的因果推断与机制聚类

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。

Sep, 2018

使用非线性 ICA 进行具有普适非线性关系的因果发现

研究非线性关系下的因果发现问题，提出基于非线性独立成分分析的方法，通过一系列独立性检验来推断具有双边因果关系的变量之间的因果方向，并扩展到多变量因果发现，最终通过神经成像数据证明该方法的有效性。

Apr, 2019

推断确定性因果关系

对于两个变量间的因果关系推断，我们提出了一种新的方法，即在确定性（无噪声）情况下，利用函数的非对称性以及它和因变量的概率密度的独立性进行推断。我们还将其与信息几何联系在一起，在不同领域的实际数据集上获得了强有力的实证结果。

Mar, 2012

可识别的隐含神经因果模型

潜在维度加性噪声模型和潜在后非线性因果模型中的分布转变在因果表示学习中发挥重要作用，能够确定因果表示的可辨识性条件，并将其转化为实际算法，从而获得可靠的潜在因果表示。

Mar, 2024

使用加性噪声模型识别混淆因素

提出了一种方法，用于推断两个观测随机变量之间存在一个潜在的共同原因（“混淆变量”）。方法假设混淆变量的两个影响是混淆变量的（可能是非线性的）函数加上独立的加性噪声，探讨了在什么条件下从这些影响的联合分布中实现（对混淆变量进行任意重新参数化）的模型可识别性。提出了一种实际的从有限独立同分布采样得到的影响中估计混淆变量的方法，并且在模拟和真实世界数据上说明该方法的有效性。

May, 2012

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