利用双变量因果发现集成重叠数据

AAAIOct, 2019

利用双变量因果发现集成重叠数据

Integrating overlapping datasets using bivariate causal discovery

Anish Dhir, Ciarán M. Lee

TL;DR本文将双变量因果发现算法用于解决多数据集间有重叠变量时的一致因果结构学习问题，算法表现在合成和真实数据上都优于之前的方法。

Abstract

Causal knowledge is vital for effective reasoning in science, as causal relations, unlike correlations, allow one to reason about the outcomes of interventions. Algorithms that can discover causal relations from observational data are based on the assumption that all variables have bee

causal relations observations conditional independence bivariate causal discovery algorithms multiple datasets

发现论文，激发创造

基于约束的多重干预交叠变量集合因果发现

该论文提出了一种算法，称为 COmbINE，可以处理来自不同数据分布下的重叠变量集合的数据集合，将数据的依赖关系和独立性转化为路径约束，并将它们编码为一个 SAT 实例，并将所有模型的不变和变异结构特征作为输出，方便地进行分析研究。

Mar, 2014

将因果推断重新解释为预测未观测的联合统计量的任务

通过因果推断方法可以推断未被观察到的联合分布的性质，进一步定义了一种从已观察到的变量中引入因果模型来推断未观察到变量的统计性质的学习场景，并且通过推导因果模型的 VC 维，得出了预测的泛化界限。

May, 2023

利用有向因果发现技术检测潜在共因变量

本文提出了一种探测变量之间潜在共同原因的因果发现算法，并将其应用于两个有向因果发现算法的实验中。结果表明，该算法可以探测到已知的共同原因，并保留原始算法在区分有向因果关系方面的性能

Oct, 2019

因果结构学习中的非线性、反馈与一致性

寻找自动化搜索方法，从观察数据中学习因果结构；讨论潜变量和观察变量之间的因果联系以及它们之间的潜在模式和结构；提出了不同于高斯分布条件的 k - 三角性忠诚度的另一定义，可用于非高斯分布；轻松学习具有潜变量的因果结构的充分性假设。

Aug, 2023

检测大规模非线性时间序列数据中的因果关系

提出了一种结合线性或非线性条件独立性检验与因果发现算法的方法，可以从大规模时间序列数据集中重构因果网络，从而在气候科学或神经科学等研究领域中识别因果关系。

Feb, 2017

从时间推移到同时迭代的因果发现：在潜在混淆因素存在的情况下

提出了一种基于约束的算法，用于在存在潜在混杂因素的情况下从观测时间序列数据中学习因果结构，主要通过学习长期的时间关系优化因果图的结构，从而减少了所需统计测试的数量并在人造数据和真实数据上通过实验证明了其高准确性和更接近真实情况的因果图。

Jun, 2023

从观察数据中推断因果方向：复杂性方法

通过在离散或连续随机变量之间预测因变量来区分因果关系，我们提出了多个简单快速的标准，以检验因果关系，适用于广泛的因果机制和数据噪声类型。

Oct, 2020

因果发现技术的比较基准测试

本文介绍了引人注目的因果发现算法，分为两大类：（1）假设无环和无潜变量，（2）允许循环和潜变量，并从结构准确性、标准预测准确性和反事实推理准确性三个方面对它们进行了实验比较。

Aug, 2017

运用算法马尔可夫条件进行因果推断

本文介绍了一种基于单个观测数据进行因果推断的方法，使用条件算法互信息代替因果马尔科夫条件中的条件随机独立性，解释了单个对象之间相似性的因果图生成，并使用可判定复杂度标准替代 Kolmogorov 复杂度，提出了一种新的因果推断原则，从而可以在 Markov 等价因果图之间进行选择。

Apr, 2008

贝叶斯模型选择进行因果发现

应用贝叶斯框架构建了一个新的因果模型，利用可识别因果方向的贝叶斯模型选择方法，在柔性模型类别中解决了数据集中的因果关系判断问题并且在各种生成数据假设下的性能优异。

Jun, 2023