隐变量因果发现的高效干预设计

May, 2020

Efficient Intervention Design for Causal Discovery with Latents

Raghavendra Addanki, Shiva Prasad Kasiviswanathan, Andrew McGregor, Cameron Musco

TL;DR本文研究了如何在潜变量的影响下，通过最小化干预代价来恢复因果图，并提出了两种干预代价模型，并在此基础上，给出了在线性代价模型下识别祖先关系的算法，以及使用特殊类型的 colliders 来限制干预次数的方法。

Abstract

We consider recovering a causal graph in presence of latent variables, where we seek to minimize the cost of interventions used in the recovery process. We consider two →

causal graph latent variables intervention cost models ancestral relations p-colliders

发现论文，激发创造

成本感知因果图学习实验设计

研究了在给定因果图的情况下，通过最小成本干预变量来学习任意因果图的问题。证明了该问题是 NP 难问题，提出了一种基于贪心算法的常数级别近似解，并开发了一种计算干预设计的算法，该算法在稀疏因果图和干预条件下几乎是最优的，并讨论了在节点有成本的情况下如何使用它。

Oct, 2018

学习未知干预下非参数潜在因果图

本文介绍了一种在潜在空间中通过未知干预重建潜在因果图的方法，不需要进行参数假设，并且不需要已知潜在变量的数量，每个潜在变量最多只需要一个未知干预，通过引入虚集和孤立边的两个新图形概念，可构造性地证明了这种方法的可行性。

Jun, 2023

因果图的成本最优学习

考虑有干预的变量集合的因果图学习问题，研究了在给定骨架的情况下设计最小总代价的干预集合，以唯一确定具有该骨架的任何因果图的成本最优因果图学习问题，并证明该问题可以在多项式时间内求解，针对干预数量有限的情况，我们提供了树或团树骨架的情况下的多项式时间算法，对于一般弦图骨架，我们开发了一个高效的贪心算法，当因果图骨架是区间图时，可以改进算法。

Mar, 2017

从干预数据中主动学习因果模型的两种最优策略

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

使用干预学习和测试因果模型

本文研究了因果贝叶斯网络上的测试和学习问题，并提出了有效的算法来测试两个未知因果贝叶斯网络的相似性和学习因果贝叶斯网络。

May, 2018

混合有向无环图中的干预因果发现

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

未知干预下因果表征的非参数识别

研究非参数学习中未知干预数据的因果表征学习，证明两个有关变量的观察分布和一次干预足以提供可识别性，同时说明了保留潜在变量之间因果影响的等价解决方案在绘制新数据的因果推论方面的合理性