混淆变量下的因果发现

May, 2022

Causal discovery under a confounder blanket

David S. Watson, Ricardo Silva

TL;DR本研究提出一种名为 “混淆毯原则” 的结构假设，使得我们设计的因果关系推断算法能够适用于高维数据，同时保持多项式复杂度。我们演示了我们的方法在模拟和真实数据集上的运作，包括一个用于线性和非线性系统的推断过程和有限样本误差控制。

Abstract

Inferring causal relationships from observational data is rarely straightforward, but the problem is especially difficult in high dimensions. For these applications, causal discovery algorithms typically require parametric restrictions or extreme sparsity constraints. We relax these as

causal discovery algorithms confounding covariates confounder blanket principle structure learning algorithm finite sample error control

发现论文，激发创造

潜在类别混淆下的因果发现

使用有向无环图来建模系统的因果结构。在多个数据源（群体或环境）的数据聚合中，全局混淆模糊了许多因果发现算法中的条件独立性属性。因此，现有的因果发现算法不适用于多源设置。我们证明，如果混淆的基数有限（即数据来自有限数量的源），仍然可以实现因果发现。该问题的可行性取决于全局混淆因素的基数、观测变量的基数和因果结构的稀疏程度的权衡。

Nov, 2023

在潜在混淆因素存在的情况下从不定数据中学习恢复因果关系

本文提出了一种称作混淆分离因果发现算法（Confounding Disentanglement Causal Discovery，简称 biCD）的方法，通过使用因果强度变分模型，将潜在变量作为中介变量来解决存在潜在变量的非确定数据情形下的因果关系发现问题。我们将结果用合成和实际数据进行了验证，证明了该方法的有效性。

May, 2023

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

一个通用的因果推断框架，允许有因果关系的隐藏变量

在这篇论文中，我们介绍了一种新颖且多用途的因果发现框架，它几乎可以适用于因果网络中几乎任何地方存在的具有因果关系的隐藏变量（例如，它们可以是观测变量的效应）。通过研究秩与条件独立性的有效性，我们在理论上建立了某些潜在结构模式可辨识性的必要和充分条件。此外，我们开发了一种基于秩的潜在因果发现算法（RLCD），可以高效地定位隐藏变量，并确定它们的基数，发现包括测量和隐藏变量在内的整个因果结构。我们还证明，在某些图形条件下，RLCD 能够渐近地正确识别整个潜在因果图的马尔可夫等价类。在合成和真实的个性数据集上的实验结果证明了该方法在有限样本情况下的有效性。

Dec, 2023

多元因素的福祉

利用无监督机器学习和预测性模型检查相结合实现多因素下因果推理的去混淆算法并提出其理论，对半真实数据和真实数据进行性能测试，表明该算法比传统因果推理方法需要的假设更弱且更接近真实因果效应。

May, 2018

从时间推移到同时迭代的因果发现：在潜在混淆因素存在的情况下

提出了一种基于约束的算法，用于在存在潜在混杂因素的情况下从观测时间序列数据中学习因果结构，主要通过学习长期的时间关系优化因果图的结构，从而减少了所需统计测试的数量并在人造数据和真实数据上通过实验证明了其高准确性和更接近真实情况的因果图。

Jun, 2023

利用双变量因果发现集成重叠数据

本文将双变量因果发现算法用于解决多数据集间有重叠变量时的一致因果结构学习问题，算法表现在合成和真实数据上都优于之前的方法。

Oct, 2019

祖先因果推断

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

使用排名约束的潜在分层因果结构发现

本文提出了一种估算过程，可以高效确定潜在变量的位置，确定它们的基数，并识别潜在的分层结构，同时考虑到多个变量之间的多条路径，使得提出的算法可以在合适的图结构限制下渐近地找到整个图的正确马尔科夫等价类。

Oct, 2022

将因果推断重新解释为预测未观测的联合统计量的任务

通过因果推断方法可以推断未被观察到的联合分布的性质，进一步定义了一种从已观察到的变量中引入因果模型来推断未观察到变量的统计性质的学习场景，并且通过推导因果模型的 VC 维，得出了预测的泛化界限。

May, 2023