高斯过程的多任务因果学习

Sep, 2020

Multi-task Causal Learning with Gaussian Processes

Virginia Aglietti, Theodoros Damoulas, Mauricio Álvarez, Javier González

TL;DR该论文研究了在有向无环图（DAG）上定义的一组干预函数的相关结构的学习问题，提出了一种多任务因果高斯过程（GP）模型，称为 DAG-GP，该模型捕捉了不同维度输入空间中的函数之间的相关性，并在实验中测试了其预测质量和校准不确定性。

Abstract

This paper studies the problem of learning the correlation structure of a set of intervention functions defined on the directed acyclic graph (DAG) of a causal model. This is useful when we are interested in join

causal model intervention functions causal effects gaussian process sequential decision making

发现论文，激发创造

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

双高斯 DAG-probit 模型中的贝叶斯因果推论

该研究介绍了在观测数据下，考虑两组共性变量的二元响应变量建模，旨在构建两个有向无环图（DAGs），同时估计每个节点的影响因素，并采用 MCMC 方法从后验分布中取样估算 DAG 的骨架和模型参数。

Apr, 2023

基于贝叶斯的从未知一般干预中发现因果关系

学习因果有向无环图（DAG）的问题，使用观测和干预实验数据的组合进行研究，采用贝叶斯方法从一般干预中进行因果发现，通过图形特征化和兼容先验的贝叶斯推断保证不可区分结构的分数等价性，利用马尔可夫链蒙特卡洛（MCMC）拟合 DAG、干预目标和导致的父节点集合的后验分布，最后在模拟和真实蛋白质表达数据上评估了所提出的方法。

Dec, 2023

在有向无环图上进行多邻域协同学习

通过开发一种新的基于约束的方法，该方法用于估计多个用户指定目标节点周围的局部结构，从而在邻域之间实现结构学习协调，进而促进无需学习整个有向无环图结构的因果发现。实验结果表明，我们的算法在学习邻域结构时具有更高的准确性，且计算成本较低于传统方法。

May, 2024

基于梯度的神经 DAG 学习

本文提出了一种基于得分的方法，利用神经网络在连续约束优化理论的基础上，允许处理变量之间的非线性关系，用于学习有向无环图，相对于其他连续优化方法，这种方法在很多任务上表现更好，在因果推断的重要度量上与现有的贪婪搜索方法相比具有竞争力。在合成存储和真实世界数据集上进行了试验。

Jun, 2019

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

个性化的二项式有向无环图学习与网络结构协变量

本文研究利用多元计数数据进行因果发现，引入个性化的二项式有向无环图模型以应对用户异质性和观测之间的网络依赖关系，通过将网络结构嵌入到降维协变量中来学习所提出的有向无环图模型，并探索方差 - 均值关系以确定节点的顺序。通过模拟实验证明我们的算法在异质数据上胜过现有的竞争对手，并在实际的网页访问数据集上验证了其实用性。

Jun, 2024

从因果对到因果图

通过概率分布和因果关系特征，提出了一种计算效率高的因果结构学习方法，并在合成和真实数据集上进行了验证。

Nov, 2022

DAG 中的深度学习

引入因果图归一化流（causal-graphical normalizing flows, cGNFs）这一新方法，该方法利用深度神经网络对以有向无环图（directed acyclic graphs, DAGs）表示的理论进行经验评估，模型所显示的数据的完整联合分布，而无需对函数形式进行严格的假设，从而可以对由 DAGs 确定的任何因果估计量进行灵活的半参数估计，包括总效应、条件效应、直接和间接效应以及路径特定效应。

Jan, 2024

GFlowCausal: 用于因果发现的生成式流网络

提出了一种名为 GFlowCausal 的新方法，通过逐步添加直接边将图搜索问题转变为生成问题，从而从观测数据中学习一个有向无环图 (DAG)，并使用基于可传递闭包的即插即用模块确保高效的采样，理论分析表明，此模块能够有效地保证无环特性和最终状态与完全连接图之间的一致性，实验结果表明该方法具有显著优势，并且在大规模设置下也表现良好。

Oct, 2022