从观测中学习和采样原子干预
本文研究探讨了在给定一个观测 Markov 等价类的因果图时,发现其唯一性所需的最坏情况实验次数可以指定为 Markov 等价类中最大团的函数。我们提供了一种算法来计算我们认为对于上述任务最优的干预集合。该算法建立在 Eberhardt 等人(2005 年)对于当考虑所有可能的 N 个变量的有向无环图时的一系列实验的最坏情况分析中获得的洞见的基础上。仿真结果表明我们的猜想是正确的。我们还展示了我们的猜想推广到其他可能的图假设类别不易进行,以及算法不再最优的意义。
Jun, 2012
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
通过简单但常见的独立性假设,可以独特地估计干预公式的概率,包括充分性和必要性的概率。在许多感兴趣的情况下,当这些假设适用时,可以使用观测数据评估这些概率估计,这在实验不可行的情况下具有巨大的重要性。
May, 2024
本文主要研究如何从有限的数据中确定因果关系 —— 通过将先前的因果结构与贝叶斯估计相结合,该文提出了概率树作为可能的解决方案。研究发现,单一干预的信息增益、干预前的预期信息增益以及干预后预期得到的信息增益都有简单的表达式。因此给出了一种主动学习方法,即选择预期增益最高的干预方式,并通过几个例子予以说明;同时,该方法也展示了概率树及其参数的贝叶斯估计提供了一种简单而可行的快速因果归纳方法。
May, 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
通过干预来学习混合因果模型中变量之间的因果关系是一项具有挑战性的任务,本文提出了匹配性的必要和充分条件以及一种自适应算法,用于学习混合因果模型中的所有真实边,具有最佳干预效果并在混合模型不包含循环关系时尺寸最小。
Jun, 2024