Dec, 2019

迈向强壮的关系因果发现

PDF
TL;DR本研究考虑了从关系型数据中学习因果关系的问题，并提出一个可靠的条件独立性测试方法，通过对关系型数据进行条件独立性测试来恢复底层因果结构，并进行实验验证。
learning causal relationshipsrelational dataconditional independence testsrelational causal structureexperimental results
发现论文，激发创造
  • 利用自动条件独立推理实现因果发现算法的运行时验证 (扩展版本)

    CICheck 是一种运行时验证工具，旨在通过可靠性和隐私角度对因果关系发现算法进行加固。CICheck 采用一种声音且可判定的编码方案，将条件独立性关系问题转化为 SMT 问题，并通过四阶段决策过程和三个轻量级优化措施高效解决问题。CICheck 包含两个变体：ED-CICheck 和 ED-CICheck，分别用于检测错误的条件独立性测试（以提高可靠性）和修剪过多的条件独立性测试（以提高隐私性）。

    Sep, 2023

  • 祖先因果推断

    提出一种通过利用更粗粒度的原因信息表示来降低搜索空间的组合爆炸，从而极大地减少计算时间，并根据信心对原因预测进行评分的新方法，证明了方法的正确性和渐近一致性，并证明了该方法在合成数据上的优越性能，并将其应用于具有挑战性的蛋白数据集中。

    Jun, 2016

  • 利用较少条件独立性检验进行因果发现

    本研究旨在通过多项式数量的条件独立性测试来学习隐藏因果图的较粗糙表示，名为因果一致分区图（CCPG），它由顶点的一个分区和在其组件上定义的有向图组成，并满足方向性的一致性和其他有利于更细的分区的约束条件。此方法在因果图可识别的特殊情况下，通过多项式数量的测试，提供了首个有效的还原真实因果图的算法。

    Jun, 2024

  • 从关系数据中学习因果模型的声音全面算法

    该论文提出了一种名为‘关系性因果发现 (RCD)’的算法，通过关系性模型和在条件独立方面的提升推理，学习因果关系，证明了该算法的可靠性和有效性。

    Sep, 2013

  • 基于经验贝叶斯方法的鲁棒性基于约束因果发现在不充足数据下的应用

    通过引入贝叶斯 - augmented 的频率独立性检验方法，可以解决数据量不足的问题来改善局限于有限数据的约束性因果发现方法的性能，由实验也表明相比于目前最佳方法在精确度和效率方面都有显著提高。

    Jun, 2022

  • 关系依赖关系的非参数推断

    本文研究了如何在关系系统中估计数据之间的独立性，提出了一种基于核均值嵌入的方法，用于定义条件和边缘独立性测试，并在结构假设下实现了可伸缩的核测试方法。实证研究表明，该方法在合成网络和半合成网络等数据集上比基于核的独立性测试的现有方法更为有效。

    Jun, 2022

  • 基于核的条件独立性检验及其在因果发现中的应用

    提出了一种基于核的条件独立性检验方法（KCI-test），可以有效地在维数较高、条件集较大、样本容量较小的情况下进行条件独立性检验，并且实验证明该方法胜过其他方法。

    Feb, 2012

  • 因果发现的样本复杂度及领域专业知识的价值

    本文分析了没有条件独立 (conditional independence) 武器下，因果探索算法的样本复杂度，以及领域专业知识在数据样本方面的价值，并通过数字实例证明了这些抽样率的准确性，并量化了稀疏先验和已知因果方向的好处。

    Feb, 2021

  • 递归因果发现

    本文介绍了一种从数据中学习因果图的因果发现方法，通过引入可移除变量的概念和递归方法来解决因果发现中的挑战，并提供了一个高效实现这些方法的 Python 包，可供实践者和研究人员在实际场景中使用。

    Mar, 2024

  • 通过关系消环来学习具有环的关系因果模型

    在关系因果模型中，通过关系回路对复杂的动态系统进行建模和推理，本文引入了一种关系去环操作，探讨了用于循环关系因果模型的约束关系因果发现算法的充分必要条件。

    Aug, 2022