从未知干预中学习神经因果模型
介绍了一种基于 AIT 的方法,可快速识别数据生成过程的基础因果结构。该方法可用于离散和连续优化公式,并在模拟到实际数据的多个基准测试中表现出卓越的性能。(Translation: An AIT-based method is introduced to quickly identify the underlying causal structure of the data-generating process, which is applicable for both discrete and continuous optimization formulations of learning the underlying directed acyclic graph from data, and demonstrates superior performance on multiple benchmarks from simulated to real-world data.)
Sep, 2021
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
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
本研究基于异质干预时间序列数据,提出了一种理论上有根据的方法,用于推断 Granger 因果结构并识别未知目标。进一步揭示了学习 Granger 因果结构与恢复干预目标之间的相互促进关系,并在比较实验中证明了我们的方法在学习干预时间序列数据中的 Granger 因果结构方面优于其他鲁棒基准方法。
Jun, 2024
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
本文提出了两种利用观测和介入数据学习基因调控网络的算法,并证明了这两种算法在符合无偏性假设的情况下均具有一致性保证。同时,这些算法具有非参数性质,适用于分析非高斯数据。本文还对这两种算法在模拟数据,蛋白质信号数据和单细胞基因表达数据上的性能进行了分析。
May, 2017
针对部分或完全未知的干预目标的混合观测和干预数据的因果 DAG 模型估计问题,本文提出一个算法来寻找干预马可夫等价类,此算法采用贪心策略在排列空间中搜索以最小化新的分数函数,同时该算法是无参数的,因此适用于非线性关系和非高斯分布的情况,性能表现已被验证。
Oct, 2019