基于图自编码器的因果结构学习方法

Nov, 2019

基于图自编码器的因果结构学习方法

A Graph Autoencoder Approach to Causal Structure Learning

Ignavier Ng, Shengyu Zhu, Zhitang Chen, Zhuangyan Fang

TL;DR本文提出了一种基于梯度的方法，将组合结构学习问题转化为连续优化问题，并进一步应用于图自编码器框架中，以应用于非线性结构方程模型以及向量值变量的因果结构学习。作者在合成数据集上进行了实验，结果表明这种方法在大型因果图中明显优于其他基于梯度的方法，而且在图的规模扩大时，方法的可扩展性和效率表现均表现良好。

Abstract

causal structure learning has been a challenging task in the past decades and several mainstream approaches such as constraint- and score-based methods have been studied with theoretical guarantees. Recently, a new approach has transformed the combinatorial structure learning problem i

causal structure learning gradient-based method graph autoencoder framework nonlinear structural equation models observational data

发现论文，激发创造

多粒度因果结构学习

揭示、建模和理解自然现象的因果机制是科学研究中的基本任务，此文讨论一种名为 MgCSL（多粒度因果结构学习）的新方法，通过利用稀疏自动编码器探索从微观变量到宏观变量的粗粒度策略和因果抽象，使用多粒度变量作为输入训练多层感知机，从而深入研究变量之间的因果关系，并引入一种简化的非循环性约束以适应高维数据，实验证明 MgCSL 优于竞争方法，并在 fMRI 数据集中发现可解释的因果连接。

Dec, 2023

从因果对到因果图

通过概率分布和因果关系特征，提出了一种计算效率高的因果结构学习方法，并在合成和真实数据集上进行了验证。

Nov, 2022

无需利用无环约束的高效神经因果关系发现

本文提出了一种新的有向无环因果图结构学习方法 ENCO，可以将因果图搜索表述为独立边似然的优化，并在不需要强制保持无环的情况下提供收敛保证。在实验中，作者展示 ENCO 可以高效地恢复拥有数百个节点的图，并处理确定性变量和潜在混淆因子。

Jul, 2021

基于 VAE 的学习多级神经 Granger - 因果连通性的框架

本文介绍了一种基于 VAE 的框架，以合理的方式共同学习相关异质动态系统中的 Ganger 因果关系，从而提取嵌入在这些系统中的共享公共结构，并识别个体系统中的特质。该方法在多个合成数据设置上进行评估，并与用于学习单个系统的现有方法进行基准比较。该方法还在涉及神经生理学实验的时间序列数据的真实数据集上进行了说明，并产生了可解释的结果。

Feb, 2024

低秩有向无环图与因果结构学习

通过利用有向无环图 (DAG) 因果模型的低秩假设，本文提出了一种新的方法来缓解在高维度设置中学习表示 DAG 的因果结构的问题，提供了图形条件和现有方法的适应性，并提供了经验证据支持低秩算法的实用性。

Jun, 2020

基于掩码梯度的因果结构学习

本文研究了从观测数据中学习因果结构的问题，提出了一种基于结构方程模型的因果结构学习方法，并通过实验验证了其良好性能。

Oct, 2019

因果结构学习

本文研究了关于基于数据学习因果模型的结构学习算法，比较了它们在不同场景下的实验性能表现。

Jun, 2017

高维因果结构的深度学习

本文提出了一种深度神经体系结构，结合经验数据和先前的因果知识，从而学习变量之间的因果关系，并通过卷积和图神经网络在因果风险框架内提供了一种灵活和可扩展的方法，Empirical results include linear and nonlinear simulations (where the underlying causal structures are known and can be directly compared against)，特别的，在生物医学领域的实验验证结果表明，深度学习方法能够应用于学习包含数千个变量的大规模问题中的因果网络

Dec, 2022

CausalVAE: 变分自编码器中的结构因果解缠

本文提出了一种基于因果结构的 VAE 算法 CausalVAE，使用因果层将独立外生因素转化为内生因果因素，实现了因果因素的自动发掘和可解释性，实验结果表明 CausalVAE 提出的因果表示能够在多个数据集上实现对真实因果结构的恢复，同时可以生成对因果结构产生干预的对事实数据。

Apr, 2020

基于约束条件从少样本图中学习因果结构

该研究论文提出了一种利用约束编程方法结合先前知识和理论洞见的实用方法，从而解决了时间序列数据中因果学习算法估计的图形结构提供高度误导性因果信息的问题，并且可以扩展到大型随机变量集合，并不需要精确知道时间尺度差异。

May, 2022