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
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
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
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
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。
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
本文研究探讨了在给定一个观测 Markov 等价类的因果图时,发现其唯一性所需的最坏情况实验次数可以指定为 Markov 等价类中最大团的函数。我们提供了一种算法来计算我们认为对于上述任务最优的干预集合。该算法建立在 Eberhardt 等人(2005 年)对于当考虑所有可能的 N 个变量的有向无环图时的一系列实验的最坏情况分析中获得的洞见的基础上。仿真结果表明我们的猜想是正确的。我们还展示了我们的猜想推广到其他可能的图假设类别不易进行,以及算法不再最优的意义。
Jun, 2012
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。
Mar, 2022
通过概率分布和因果关系特征,提出了一种计算效率高的因果结构学习方法,并在合成和真实数据集上进行了验证。
Nov, 2022