本文介绍因果推断、因果发现、因果图、算法和真实世界应用,并探讨最近一致性观点对现有算法的概述、有用的工具和数据,以及为什么和如何可以成功利用这些方法。
May, 2023
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
本文研究了关于基于数据学习因果模型的结构学习算法,比较了它们在不同场景下的实验性能表现。
Jun, 2017
提出了一个新的因果结构学习动态因果空间(CASPER),能够整合图结构作为因果空间中的新度量,以准确反映估计和真实 DAG 之间的因果距离,并通过自适应关注 DAG-ness 增强 DAG 结构学习。
Jun, 2023
研究通过混合因果模型来获得分布,并探讨了如何从基于此类分布的样本中进行因果结构学习及如何使用这些信息对样本进行聚类。
Jan, 2020
使用符号表示对假设引导论证(ABA)进行推理可以支持因果关系的发现,此方法在使用答案集编程(ASP)实现后在因果发现的标准基准测试中表现良好。
May, 2024
本文介绍了一个可以通过样本数据推理带循环因果图的因果结构的发现算法,并给出了正确性条件,该算法是稀疏图上的多项式。
Feb, 2013
通过利用有向无环图 (DAG) 因果模型的低秩假设,本文提出了一种新的方法来缓解在高维度设置中学习表示 DAG 的因果结构的问题,提供了图形条件和现有方法的适应性,并提供了经验证据支持低秩算法的实用性。
Jun, 2020
迭代式 LLM 监督 CSL(ILS-CSL)框架通过将基于 LLM 的因果推理与 CSL 相结合,并从 LLM 中获得反馈,从而改进了因果有向无环图(DAG)的学习,提供了更强效的因果发现方法,并在八个真实世界数据集上的综合评估中表现出优越的性能,展示了其推动因果发现领域进步的潜力。
Nov, 2023
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