可微因果发现中的未测混杂
本文提出了一种基于自回归流的 ADM 深度学习方法,用于处理存在潜在混淆的非线性功能关系,可以同时确定数据背后的复杂因果关系和估计其功能关系。
Mar, 2023
本文提出了一种基于精确得分的方法来学习代表一组连续变量因果关系的祖先无环定向混合图,并通过整数规划公式求解,能够有效获得优秀结果,且优于现有基准方法。
Feb, 2021
使用有向无环图来建模系统的因果结构。在多个数据源(群体或环境)的数据聚合中,全局混淆模糊了许多因果发现算法中的条件独立性属性。因此,现有的因果发现算法不适用于多源设置。我们证明,如果混淆的基数有限(即数据来自有限数量的源),仍然可以实现因果发现。该问题的可行性取决于全局混淆因素的基数、观测变量的基数和因果结构的稀疏程度的权衡。
Nov, 2023
研究了无向边和有向边混合,并且无向边形成无环图的 acyclic directed mixed graphs (ADMGs) 及其概率模型,提出了一种基于简单路径判据的全局马尔科夫性标准 ——m-separation,并得到了该模型的因子分解准则及离散随机变量的参数化表示,验证了该模型的光滑性,从而证明了马尔科夫性 ADMG 模型是曲率指数族。
Jan, 2013
本文提出了一种基于祖先图的算法框架,用于有效地测试,构建和枚举 $m$- 分隔符,从而较高效地进行非实验数据中因果效应的识别,同时还证明了通过协变调整进行因果效应识别与 $m$ 分离在有向无环图及最大祖先图中的一个子图的规约,并利用这些结果,得出一种刻画所有调整集以及在存在潜在混淆因素的多元曝光及结果的期望因果效应识别的所有最小和最小调整集的构造性条件,为这些问题的特殊情况提供了现有解决方案的扩展。
Feb, 2018
借助生成流网络,利用原始信念分布比例对因果祖先图进行采样,然后通过层次变量间关系的有力实验设计,迭代地与专家互动,有效减少对因果祖先图的不确定性。通过重要性采样结合人的反馈,更新我们的样本,提高推理质量,并不需要因果充足(即可能存在未观察到的混淆变量)。实验结果表明,我们的方法能够准确地对因果祖先图的分布进行采样,并且在人类帮助下能够大大提高推理质量。
Sep, 2023
在观测数据中进行因果发现是一项具有挑战性的任务,本研究提出了一种新颖的混合方法,结合局部因果子结构,通过引入拓扑排序算法和非参数约束算法,在线性和非线性设置中实现了全局因果推断,并在合成数据中进行了验证。
May, 2024
通过引入新的约束条件和训练过程,我们提出了稳定可微分因果发现(SDCD)方法,以解决推断因果关系作为有向无环图(DAGs)的问题。SDCD 方法在收敛速度和准确性方面优于现有方法,并可扩展到数千个变量的情况。
Nov, 2023