无需利用无环约束的高效神经因果关系发现

ICLRJul, 2021

无需利用无环约束的高效神经因果关系发现

Efficient Neural Causal Discovery without Acyclicity Constraints

Phillip Lippe, Taco Cohen, Efstratios Gavves

TL;DR本文提出了一种新的有向无环因果图结构学习方法 ENCO，可以将因果图搜索表述为独立边似然的优化，并在不需要强制保持无环的情况下提供收敛保证。在实验中，作者展示 ENCO 可以高效地恢复拥有数百个节点的图，并处理确定性变量和潜在混淆因子。

Abstract

Learning the structure of a causal graphical model using both observational and interventional data is a fundamental problem in many scientific fields. A promising direction is continuous optimization for score-b

causal graphical model structure learning observational data interventional data enco

发现论文，激发创造

基于图自编码器的因果结构学习方法

本文提出了一种基于梯度的方法，将组合结构学习问题转化为连续优化问题，并进一步应用于图自编码器框架中，以应用于非线性结构方程模型以及向量值变量的因果结构学习。作者在合成数据集上进行了实验，结果表明这种方法在大型因果图中明显优于其他基于梯度的方法，而且在图的规模扩大时，方法的可扩展性和效率表现均表现良好。

Nov, 2019

干预数据的可微因果发现

本文提出了一种新的方法，基于神经网络和流形变换，使用干预数据来学习因果有向无环图，该方法在多种情况下表现出与现有技术相媲美的灵活性和可行性。

Jul, 2020

可微贝叶斯结构学习中的拓扑排序与保证无环约束

通过结合拓扑排序的知识，我们提出了一种用于限制生成图的无环性的替代方法，该方法可以降低推理复杂度，同时确保生成的图的结构是无环的，并在模拟和真实数据的实证实验中表现优于相关的基于贝叶斯评分的方法。

Sep, 2023

无约束结构学习与平滑无环定向

COSMO 是一种无约束的连续优化方案，用于无环结构学习，通过参数化的优先级向量定义可微分的方向矩阵的近似，能够以渐近更快的速度收敛到无环解，且在图结构重建方面相比其他方法表现优异。

Sep, 2023

强化学习因果发现

使用强化学习和编码器 - 解码器模型进行因果发现，生成图中的邻接矩阵以计算奖励，结合预定义分数函数和惩罚项强制保持无环性，提高图搜索能力和灵活性。

Jun, 2019

无眼泪的 DAGs：结构学习的连续优化

本文提出了一种基于优化问题的连续方法，来解决结构学习问题，避免了组合约束，并有效地提高算法效率。该方法在没有强加任何结构假设的情况下，优于其它现有方法。

Mar, 2018

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

从未知干预中学习神经因果模型

本研究提出了一个基于连续优化和神经网络的框架，以创建联合观测和干预数据模型的方法，能在不知情干预变量的情况下获得强大的基准结果，包括从合成图和来自 Bayesian Network Repository 的标准图中恢复结构。

Oct, 2019

带有局部搜索的混合全局因果发现

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

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