本文介绍了第一种可进行大样本因果关系可靠识别的计算可行的基于分数的算法,允许存在未观测到的共同原因,并基于从观测数据中学习的贝叶斯网络结构来识别所谓的 Y 子结构,从而无需为存在未观察到的共同原因的因果结构分配分数。
Jun, 2012
本文介绍了一种称为循环因果推断(CCI)的算法,能够在条件独立神经元操作符下对循环因果过程进行有效推断,如将循环因果过程表示为非递归线性结构方程模型与独立误差。实证结果表明,CCI 在循环情况下优于 CCD,且在无环情况下与 FCI 和 RFCI 竞争力不相上下。
May, 2018
本研究考虑基于约束的因果结构学习方法,特别关注 PC 算法在高维数据中存在的顺序依赖性并提出多种改良方法,模拟实验和酵母基因表达数据验证表明改良后的算法在高维数据中表现更优。
Nov, 2012
提出一种通过利用更粗粒度的原因信息表示来降低搜索空间的组合爆炸,从而极大地减少计算时间,并根据信心对原因预测进行评分的新方法,证明了方法的正确性和渐近一致性,并证明了该方法在合成数据上的优越性能,并将其应用于具有挑战性的蛋白数据集中。
Jun, 2016
本文提出一种基于得分的方法来学习因果图,探讨了如何在存在潜在混淆因素的情况下进行因果结构的发现,并通过提出的贪心算法在合成数据上与现有算法进行比较。
Oct, 2019
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
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
本研究旨在通过多项式数量的条件独立性测试来学习隐藏因果图的较粗糙表示,名为因果一致分区图(CCPG),它由顶点的一个分区和在其组件上定义的有向图组成,并满足方向性的一致性和其他有利于更细的分区的约束条件。此方法在因果图可识别的特殊情况下,通过多项式数量的测试,提供了首个有效的还原真实因果图的算法。
Jun, 2024
我们提出了一种迭代因果发现算法 (ICD),可在潜在混淆变量和选择偏差的情况下恢复因果图,并演示了 ICD 相较于 FCI、FCI + 和 RFCI 算法,需要更少的 CI 测试并学习更准确的因果图。
Nov, 2021
研究了有向无环图中随意多个潜在变量和选择变量条件下因果信息的学习问题,在此设置中,提出了一种能够在计算上比 FCI 算法快得多的新算法 RFCI,虽然 RFCI 的输出在某些情况下比 FCI 输出略微不太具有信息性,但在渐近极限下 RFCI 的任何因果信息都是正确的,研究了一类图形,输出 FCI 和 RFCI 是相同的,并证明了 FCI 和 RFCI 在稀疏高维情况下的一致性。
Apr, 2011