ICMLFeb, 2021

因果发现的样本复杂度及领域专业知识的价值

PDF
TL;DR本文分析了没有条件独立 (conditional independence) 武器下，因果探索算法的样本复杂度，以及领域专业知识在数据样本方面的价值，并通过数字实例证明了这些抽样率的准确性，并量化了稀疏先验和已知因果方向的好处。
causal discoveryobservational datainferred causation algorithmconditional independencesample complexity
发现论文，激发创造
  • A * 算法因果发现中的领域知识

    本篇论文探讨如何在基于 A * 方法的因果关系发现中高效地整合多种类型的专家领域知识以减少图形搜索空间，并提供了潜在的计算增益分析。作者通过合成数据和真实数据的实验支持这些发现，表明即使少量领域知识都可以极大地提高 A * 方法的效率和实用性。

    Aug, 2022

  • 利用自动条件独立推理实现因果发现算法的运行时验证 (扩展版本)

    CICheck 是一种运行时验证工具，旨在通过可靠性和隐私角度对因果关系发现算法进行加固。CICheck 采用一种声音且可判定的编码方案，将条件独立性关系问题转化为 SMT 问题，并通过四阶段决策过程和三个轻量级优化措施高效解决问题。CICheck 包含两个变体：ED-CICheck 和 ED-CICheck，分别用于检测错误的条件独立性测试（以提高可靠性）和修剪过多的条件独立性测试（以提高隐私性）。

    Sep, 2023

  • 从观察数据中推断因果方向：复杂性方法

    通过在离散或连续随机变量之间预测因变量来区分因果关系，我们提出了多个简单快速的标准，以检验因果关系，适用于广泛的因果机制和数据噪声类型。

    Oct, 2020

  • 适应性在线实验设计用于因果推断

    在线学习中基于干预样本历史的分离图系统相匹配的追踪停止因果发现算法优于现有方法，通过较少的样本实现更高准确性的因果图学习。

    May, 2024

  • 将因果推断重新解释为预测未观测的联合统计量的任务

    通过因果推断方法可以推断未被观察到的联合分布的性质，进一步定义了一种从已观察到的变量中引入因果模型来推断未观察到变量的统计性质的学习场景，并且通过推导因果模型的 VC 维，得出了预测的泛化界限。

    May, 2023

  • 利用双变量因果发现集成重叠数据

    本文将双变量因果发现算法用于解决多数据集间有重叠变量时的一致因果结构学习问题，算法表现在合成和真实数据上都优于之前的方法。

    Oct, 2019

  • 因果结构学习中的非线性、反馈与一致性

    寻找自动化搜索方法，从观察数据中学习因果结构；讨论潜变量和观察变量之间的因果联系以及它们之间的潜在模式和结构；提出了不同于高斯分布条件的 k - 三角性忠诚度的另一定义，可用于非高斯分布；轻松学习具有潜变量的因果结构的充分性假设。

    Aug, 2023

  • 因果发现中的假设违规和评分匹配的鲁棒性

    本研究对观测因果发现方法的实证表现进行了广泛的基准测试，发现基于分数匹配的方法在具有挑战性的情景中推断图的假阳性和假阴性率方面表现出令人惊讶的性能，并提供了理论洞察。该研究还首次尝试基于超参数值评估因果发现算法的稳定性。希望这篇论文能够为因果发现方法的评估树立新标准，并成为对该领域感兴趣的实践者的可访问入口，突出了不同算法选择的实证影响。

    Oct, 2023

  • 利用有向因果发现技术检测潜在共因变量

    本文提出了一种探测变量之间潜在共同原因的因果发现算法，并将其应用于两个有向因果发现算法的实验中。结果表明，该算法可以探测到已知的共同原因，并保留原始算法在区分有向因果关系方面的性能

    Oct, 2019

  • 因果发现与预测：方法与算法

    我们提出了一种新的主动学习算法，通过一系列成本最低的干预来识别任何给定因果模型中的因果关系，同时引入了对时间周期性因果设置的形式化分析，并提供了一种可靠完备的算法来识别循环设置中的因果效应。

    Sep, 2023