Feb, 2022

具有循环的关系因果模型：表示和推理

PDF
TL;DR本文介绍了一种新的关于环形关系因果模型的表示方法和推理方法。通过引入关系 σ 分离的新标准，以及一种新的提升表示，σ- 抽象地面图，帮助在所有可能的实例化中抽象统计独立关系。我们还表明，基于 σ-AGG，关系 σ 分离对于任意长度的一个或多个循环的存在是完整的和有必要的。本文是有关现有研究所建立的第一个运行时表示和推理循环关系因果模型。
causal reasoningrelational domainsrelational causal modelfeedback loopscyclic relational causal models
发现论文，激发创造
  • 通过关系消环来学习具有环的关系因果模型

    在关系因果模型中，通过关系回路对复杂的动态系统进行建模和推理，本文引入了一种关系去环操作，探讨了用于循环关系因果模型的约束关系因果发现算法的充分必要条件。

    Aug, 2022

  • 关系因果模型的提升表示：推理和结构学习的影响再探讨

    本研究重新审视了抽象地面图的定义，确保其能正确地抽象所有地面图并表明其嵌套不完整，从而提出了更弱的完备性概念，即 RC 模型和其 AGG 之间的邻接完备性和方向完备性，以更好地从数据中学习 RC 模型。

    Aug, 2015

  • 归纳关系预测的循环表示学习

    本研究基于代数拓扑学和其现代发展，持久同调理论，在图表示学习中提出了一种新的基于循环基的归纳关系预测解决方案。通过探索循环空间的线性结构，我们可以提高规则搜索的效率。在收集这些循环的基础上，我们构建了一个新颖的 GNN 框架，学习了循环的表示，并预测了关系的存在性。该方法在基准测试中取得了最先进的性能。

    Oct, 2021

  • 反馈模型的有向循环图形表示

    该研究使用有向无环图 (DAG) 表示随机变量之间的条件独立关系，证明了非递归结构方程模型能够通过有向循环图表示条件独立误差，并推导出满足条件独立约束的充分条件以及非线性系统的变量在相关分布中条件独立的条件。

    Feb, 2013

  • 基于约束的非线性结构因果模型发现：循环和潜在混淆变量

    采用模块化结构因果模型 (mSCM)，引入了 sigma-connection graphs (sigma-CG)，成功实现了能够处理非线性功能关系、潜在混淆、循环因果关系和不同随机完美干预数据的因果发现算法。

    Jul, 2018

  • 因果模型的逻辑

    本研究研究了有向无环图在表示条件独立关系方面的作用，提出 DAG 可以用来推断条件独立关系并可以比其他准则发现更多合法的独立关系。此外，研究还表明 DAG 所显示的依赖关系是相一致的。

    Mar, 2013

  • 有向循环图的发现算法

    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

  • 关于关系数据的概率模型中独立性的推理

    本文在不独立于同分布的数据实例上扩展了 d 分离理论，引入关系分离理论以从 relational models 推导条件独立性并提出了抽象的 ground graph 表达方式，从而实现了一种可靠、完整、高效的计算 d-separation 查询的方法。

    Feb, 2013

  • 神经因果表示的摊销学习

    本文提出了一种名为因果关系网络的算法，采用神经网络学习因果模型，并使用连续表示方法表示因果模型，从而更好地处理大量变量和利用先前的知识帮助学习新的因果模型，同时提出一种基于解码的评估指标。在合成数据的测试中取得了高精度和快速适应新因果模型的效果。

    Aug, 2020

  • 线性非高斯循环模型的局部因果发现

    本研究介绍了一种使用线性非高斯模型的广义的、统一的局部因果发现方法，无论是循环还是非循环。我们将独立成分分析的应用从全局上下文扩展到独立子空间分析，能够从目标变量的马尔科夫毯中准确识别等效的局部有向结构和因果强度。对于特殊的非循环场景，我们还提出了一种基于回归的替代方法。我们的可识别性结果在合成和真实数据集上得到了实证验证。

    Mar, 2024