Mar, 2022

干预在何地、何种方式？ 大规模因果模型的实验设计

PDF
TL;DR本文提出将 Bayesian 因果发现方法融入到贝叶斯优化实验设计框架中，可以在选择干预目标和值的同时，发现具有大规模、非线性结构因果模型的有效性已在合成图和基因调控网络数据集上得到验证。
causal discoverybayesian methodsexperimental designstructural causal modelsnonlinear models
发现论文，激发创造
  • 贝叶斯干预优化用于因果发现

    我们提出了一种基于贝叶斯优化的方法，通过活动干预来最大化获取决定性和正确证据的概率，从而有效地发现因果关系，并增强理论进展的实际应用。

    Jun, 2024

  • ABCD - 策略：针对有目标因果结构发现的预算实验设计

    本文提出了基于贝叶斯推断的最优实验设计的一般框架和理论，用于目标因果性发现。该方法基于次模性提供了可行的实现，并在人工数据集和真实数据集上证明其优越性能。

    Feb, 2019

  • 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

  • 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

  • 从干预数据中主动学习因果模型的两种最优策略

    本文提出了两种基于最优实验设计策略的主动学习方法，用于求解因果 DAG 的最优干预目标，以改进因果 DAG 的边缘识别。其中第二种策略在多项式时间内得到任意大小的最小目标集，保证因果 DAG 的全识别。在模拟研究中，两种主动学习方法与随机干预进行比较，并分析估计误差对主动学习性能的影响。

    May, 2012

  • 基于贝叶斯的从未知一般干预中发现因果关系

    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

  • 非目标干预下的因果发现

    该研究论文提出了一种基于随机干预的因果发现模型，通过最小化干预次数来解决因果发现问题，提供了多对数竞争比的近似算法，并给出了一些初步实验结果。

    Feb, 2024

  • 因子图模型视角下的干预泛化

    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

  • 可微分的多目标因果贝叶斯实验设计

    我们提出了一种基于梯度的方法来解决贝叶斯最优实验设计问题，以在批处理设置中学习因果模型。我们完全摆脱了黑盒优化技术和贪婪启发式方法，并提出了一个概念上简单的端到端梯度优化过程，以获得一组最优干预目标状态组。这种方法 outperforms 多个基线和现有获取策略，无论是在单目标还是在多目标设置下。

    Feb, 2023

  • 因果结构学习的预算实验设计

    本文研究了在实验者最多进行 $k$ 个大小为 $1$ 的非自适应实验的情况下因果结构学习的问题。 我们将寻找最佳干预目标集的问题制定为优化问题，旨在最大化解决方向的边的平均数量。我们证明了相应的目标函数是子模的，并且贪心算法足以实现最优值的 $(1- rac {1}{e})$- 逼近。我们进一步提出了一种加速的贪心算法变体，可以实现数量级的性能加速。我们在合成和真实图上验证了我们提出的方法。结果表明，与纯观测设置相比，我们的算法通过较少的干预将大部分边定向。

    Sep, 2017