Jun, 2020

主动不变因果预测：通过稳定性选择实验

PDF
TL;DR本文提出了一种基于不变因果预测的主动学习框架（A-ICP），旨在帮助有效地选择实验以提高因果模型的可识别性，该框架依靠结构因果模型中干预对稳定集合发挥作用，并通过数个干预选择策略得以实现，实证分析证明所提出的策略在不同实验环境下均有良好表现。
causal learningobservational dataexperimental environmentsactive learningstructural causal models
发现论文，激发创造
  • 非线性模型的不变因果预测

    本文介绍了一种新的学习因果模型的方法，称为不变因果预测，该方法绕过了因果关系的多个环境，并针对非线性模型的情况提出了可行的解决方案，在基于世界人口预测的生育率建模中，使用非线性 ICP 模型来预测假设性干预的效果并确认了儿童死亡率的中心因果作用。

    Jun, 2017

  • 在线实验中将主动学习与因果推断相结合的一种新方法

    通过网络干预的主动学习方法，本论文旨在解决因果推断中潜在结果检验框架忽视个体干预以及假设独立处理效应的问题，提出了一种基于网络干预的主动学习方法以估计直接和溢出治疗效果，能够在复杂干预结构下具有高效和精确的效果估计能力。

    Feb, 2024

  • 基于局部线性模型的不变因果预测

    我们考虑从观测数据中识别目标变量的因果父节点的任务，我们的主要假设是候选变量在不同环境中被观测到，不同环境可以被视为对观测系统的干预，我们假设目标变量和协变量之间存在线性关系，但在每个环境中可能不同，关键是因果结构在各种环境中保持不变，我们提供了因果父节点可辨识性的充分条件，并介绍了一种基于假设检验的实际方法 LoLICaP（本地线性不变因果预测），该方法利用最小值和最大值统计量的比率进行父节点识别，然后我们在简化的设置中展示了 LoLICaP 的统计功效以指数速度随样本大小收敛，并最后实验性地分析了 LoLICaP 在更一般设置下的行为。

    Jan, 2024

  • 基于不变因果学习算法在观测数据上应用的一步

    该研究提出了一种方法，使用多个训练环境来生成不同干预的多个环境，并评估了基于模拟数据的不受监督的学习问题的 ICP 性能，最后与 ICP 相结合提出了改进的方法，提高了在具有多个协变量的数据集中进行因果发现的性能。

    Apr, 2023

  • 使用主动干预的神经因果模型学习

    介绍了一种基于 AIT 的方法，可快速识别数据生成过程的基础因果结构。该方法可用于离散和连续优化公式，并在模拟到实际数据的多个基准测试中表现出卓越的性能。(Translation: An AIT-based method is introduced to quickly identify the underlying causal structure of the data-generating process, which is applicable for both discrete and continuous optimization formulations of learning the underlying directed acyclic graph from data, and demonstrates superior performance on multiple benchmarks from simulated to real-world data.)

    Sep, 2021

  • 使用不变预测进行因果推断：识别和置信区间

    利用因果模型在干预下的预测不变性，我们提出一种方法来推断因果效应并构建高概率的因果模型集合。这个方法可以在各种不同实验设置下得出有效的置信区间，并研究了其鲁棒性和推广性。

    Jan, 2015

  • 不变祖先搜索

    本文提出了一种基于不变性的因果推断方法 - 最小不变性算法，通过构建潜在祖先节点集合对后续分析产生指导作用，本算法在理论上和实地数据上均获得了有效结果。

    Feb, 2022

  • 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

  • 利用独立因果机制原理学习鲁棒模型

    本文提出一种基于独立因果机制（ICM）原理的新梯度学习框架，理论和实验结果表明，这种学习方法可以在训练时利用不同环境之间的分布偏移，使神经网络更加鲁棒，并成功地找到与环境无关的关系，达到了对不稳定环境的泛化能力。

    Oct, 2020

  • 干预在何地、何种方式？ 大规模因果模型的实验设计

    本文提出将 Bayesian 因果发现方法融入到贝叶斯优化实验设计框架中，可以在选择干预目标和值的同时，发现具有大规模、非线性结构因果模型的有效性已在合成图和基因调控网络数据集上得到验证。

    Mar, 2022