ICMLJul, 2020

使用具有结构潜在混杂变量的高斯过程进行因果推断

PDF
TL;DR本文介绍了如何半参数地建模具有结构化潜在混淆因素以提高因果效应估计并给出一个基于椭圆切片取样的贝叶斯推理算法；最后展示了基于这个模型的 GP-SLC 在包括婴儿健康与发展项目和新英格兰州全州能耗变化数据集等三个基准数据集上与广泛使用的因果推断技术相比具有竞争力或更高的准确性。
latent confounderscausal effectsbayesian modelmonte carlo inference algorithmgp-slc
发现论文，激发创造
  • 使用深度潜变量模型推断因果关系效应

    利用潜在变量建模来解决处理混淆因素以从观测数据中获取个体级因果关系的问题，该方法基于变分自编码器，效果显著优于现有方法且可达到同类方法的最佳水平。

    May, 2017

  • 高斯过程网络中的贝叶斯因果推断

    在高斯过程网络（GPN）模型中进行贝叶斯估计来推断多步骤干预效应，通过模拟整个网络中干预的影响并传播到下游变量，以及使用高斯过程建模条件分布来估计干预分布，进一步考虑到因果结构不确定性。结果表明，该方法能够识别非高斯、非线性的观测数据中假设干预的效果，并准确反映因果估计的后验不确定性。

    Feb, 2024

  • 高斯过程潜变量模型的连续采样

    本文研究在数据的概率模型中推断一个潜在函数的问题，并探究了基于马尔可夫链蒙特卡罗采样的高效计算方法在大型数据集上的可行性，提出了一种近似方法，使潜在变量和相关参数的顺序采样能够有效地处理增长数据设置，证明了其在无序、非顺序采样下不可行的情况下的强大性能。

    Jul, 2018

  • 使用具有高斯过程的潜在力模型研究药物的病人特异性效应

    本研究提出了一种基于多元高斯过程的模型，该模型将包含因特定治疗措施而产生的生理变化的隐式力模型与反映病人生理特征的高斯过程卷积起来，从而能够较准确地预测病人对治疗措施的生理响应。

    Jun, 2019

  • 物理系统学习和随机控制的高斯过程潜在力模型

    本文主要探讨在包含未知输入信号的物理系统中的学习和随机控制问题，这些未知信号以具有一定参数协方差结构的高斯过程（GP）作为模型，得到的潜在力模型（LFMs）可以看作是包含基于物理原理和非参数 GP 模型部分的混合模型。我们简要介绍了这种模型的统计推断和学习方法，引入了针对这种模型的随机控制方法，并为它们提供了新的理论可观测性和可控性结果。

    Sep, 2017

  • 学习潜在结构因果模型

    本文提出了一种基于贝叶斯推理的方法，在低级别数据的情况下学习维度高、SCM 结构和参数未知的高级因果变量，从而实现对潜在 SCM 的推断和图像生成。

    Oct, 2022

  • 隐高斯模型的切片采样协方差超参数

    本文提出了一种切片取样方法，用于在贝叶斯框架下使用高斯过程模型时进行充分的超参数采样，从而有效应用于强数据和弱数据的情况。

    Jun, 2010

  • 通用图形模型的隐变量结构化预测效率

    本文提出了一个有潜在变量的结构化预测的统一框架，包括隐藏的条件随机场和潜在的结构支持向量机。通过对偶性描述了这种普遍公式的局部熵逼近，在图像分割和从单个图像中理解三维室内场景的任务中表现出不错的效果，比潜在结构支持向量机和隐藏条件随机场方法要好。

    Jun, 2012

  • 潜空间中干扰变量的因果结构表示学习用于推荐

    用户偏好、推荐系统、混淆因素、因果图和潜在空间是本研究的关键词，研究探讨了混淆因素对用户偏好的影响和如何在潜在空间中建模，通过因果图的方式分离混淆因素和用户偏好。最后，提出了基于变分自动编码器的模型，命名为潜在空间中混淆因素的因果结构表示学习 (CSC)，通过实验证明了该模型的优越性以及对混淆因素的可控性。

    Nov, 2023

  • 在潜变量存在的情况下基于排序的因果结构学习

    本文提出一种基于得分的方法来学习因果图，探讨了如何在存在潜在混淆因素的情况下进行因果结构的发现，并通过提出的贪心算法在合成数据上与现有算法进行比较。

    Oct, 2019