因果距离之梯
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
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
我们提出了一种基于嵌入干预分布的连续测量度量,用于衡量真实因果图与学习到的因果图之间的差异,该度量考虑了图结构之外的底层数据,通过最大(条件)均值差异来估计它们的差距。我们在合成数据上进行数值实验证实了我们的理论结果。
Jul, 2023
通过测量干预估计的准确度来评估因果模型,并比较它与结构测量的结果,结果表明,结构测量往往与干预估计的准确度相差较远,因此建议使用干预分布的方法来评估因果模型,实证结果证实了结构测量在参数优化和算法选择上提供了误导。
Aug, 2016
我们提出了一种新的主动学习算法,通过一系列成本最低的干预来识别任何给定因果模型中的因果关系,同时引入了对时间周期性因果设置的形式化分析,并提供了一种可靠完备的算法来识别循环设置中的因果效应。
Sep, 2023
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
基于经典算法运行在较小变量子集上的深度学习模型识别因果结构,达到了与现有模型相比具有数量级更快的推理速度,具备针对合成和真实数据集的最先进性能,并能概括到在训练期间未见过的数据生成机制。
Feb, 2024
评估因果发现算法学习到的图形是困难的:两个图形之间不同的边的数量不反映它们在提供因果效应的标识公式方面的差异。我们介绍了一种开发图形之间因果距离的框架,其中包括有向无环图的结构干预距离作为一种特殊情况。我们利用这个框架开发了改进的基于调整的距离以及对已完成的部分有向无环图和因果顺序的扩展。我们开发了多项式时间可达性算法以高效地计算距离。在我们的包 gadjid(开源网址如上所示),我们提供了距离的实现;它们的速度比结构干预距离快几个数量级,从而为可扩展到以前禁止的图形规模的因果发现提供了成功度量。
Feb, 2024