部分干预因果模型
本文介绍了一种在潜在空间中通过未知干预重建潜在因果图的方法,不需要进行参数假设,并且不需要已知潜在变量的数量,每个潜在变量最多只需要一个未知干预,通过引入虚集和孤立边的两个新图形概念,可构造性地证明了这种方法的可行性。
Jun, 2023
本文提出了针对单个处理和单个结果涉及种类繁多的隐藏变量有向无环图的人口水平因果效应的 influence function-based 估计器以及重要类别的隐藏变量 DAG,该类别在处理满足一个简单图形标准的情况下,生成调整和前门函数,同时还提供了统计模型的必要和充分条件。
Mar, 2020
本文利用因子图模型的语言,对干预因素模型 (IFM) 的可辨识性进行了分析,并通过实验数据来推导出 IFM 的必要和充分条件,以及实现将预期的结果推广到从未在数据中观察过的新条件的实用算法。
Jun, 2023
研究非参数学习中未知干预数据的因果表征学习,证明两个有关变量的观察分布和一次干预足以提供可识别性,同时说明了保留潜在变量之间因果影响的等价解决方案在绘制新数据的因果推论方面的合理性
Jun, 2023
通过在多智能体场景中回答因果询问的概率图模型,扩展因果贝叶斯网络以表示智能体的自由度和目标,放松可行干预的时间顺序限制,提出一种原始因果干预集合来研究复杂干预查询的影响,并通过考虑因果机制设计与承诺,展示到安全人工智能系统的设计。
Jun, 2024
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
因果推理和反事实推理是数据科学中的新兴方向,尤其适用于通常无法获取实验数据的环境和生态科学领域。本文提出了一个在社会生态系统领域内边界不可识别查询的新技术,并发现传统统计分析方法无法揭示变量之间的关系本质,其中反事实推理变得非常有价值。
Jan, 2024
本文综述了通过基于图形因果模型的搜索策略,发现因果效应相关有用知识的数据驱动方法,重点讨论这些方法面临的挑战,探讨了方法的假设、优点和局限性,希望这篇文章能够激励更多的研究人员设计更好的数据驱动方法来解决因果效应估计等领域的实际问题。
Aug, 2022