DagSim: 将基于 DAG 的模型结构与非约束的数据类型和关系相结合，实现灵活、透明和模块化的数据仿真

May, 2022

DagSim: 将基于 DAG 的模型结构与非约束的数据类型和关系相结合，实现灵活、透明和模块化的数据仿真

DagSim: Combining DAG-based model structure with unconstrained data types and relations for flexible, transparent, and modularized data simulation

PDF

Ghadi S. Al Hajj, Johan Pensar, Geir Kjetil Sandve

TL;DRDagSim 是一个无任何变量类型或函数关系约束的基于 DAG 的数据模拟的 Python 框架，具有清晰的结构分层和分离用户定义的函数来生成每个变量，用于控制图像形状和生物序列模式的元数据变量是 DagSim 的应用案例之一。

Abstract

data simulation is fundamental for machine learning and causal inference, as it allows exploration of scenarios and assessment of methods

data simulation machine learning causal inference directed acyclic graphs python

发现论文，激发创造

用 DAG-Onion 方法改进因果发现的模拟验证

人工智能算法、因果发现、模拟设计、线性模型、有向无环图（DAG）

May, 2024

ExDAG: 精确学习有向无环图

近年来对因果学习的兴趣逐渐增加。常用的因果结构表示方法，包括贝叶斯网络和结构方程模型（SEM），采用有向无环图（DAG）形式。我们提供了一种新颖的混合整数二次规划表达和相关算法，用于识别可识别的 50 个顶点的 DAGs。我们称之为 ExDAG，即精确学习 DAGs 的方法。尽管存在阻止循环形成的超指数个约束条件，该算法通过添加违反找到解的约束条件，而不是在每个连续值放宽中施加所有约束条件。我们的实验结果表明，在考虑高斯噪声时，ExDAG 在精度方面优于当地最先进的求解器，在扩展性方面优于最先进的全局求解器。我们还提供了对其他噪声分布的验证。

Jun, 2024

DAG-GNN: 利用图神经网络学习 DAG 结构

通过引入可变自动编码器的图神经网络模型，本文提出了一个生成模型，这个模型可以自然地处理离散和向量值变量，并通过在合成数据和基准数据集上进行实验，证明了方法的准确性和效果。

Apr, 2019

个性化的二项式有向无环图学习与网络结构协变量

本文研究利用多元计数数据进行因果发现，引入个性化的二项式有向无环图模型以应对用户异质性和观测之间的网络依赖关系，通过将网络结构嵌入到降维协变量中来学习所提出的有向无环图模型，并探索方差 - 均值关系以确定节点的顺序。通过模拟实验证明我们的算法在异质数据上胜过现有的竞争对手，并在实际的网页访问数据集上验证了其实用性。

Jun, 2024

基于梯度的神经 DAG 学习

本文提出了一种基于得分的方法，利用神经网络在连续约束优化理论的基础上，允许处理变量之间的非线性关系，用于学习有向无环图，相对于其他连续优化方法，这种方法在很多任务上表现更好，在因果推断的重要度量上与现有的贪婪搜索方法相比具有竞争力。在合成存储和真实世界数据集上进行了试验。

Jun, 2019

从动态图中学习有向无环图结构

本研究探讨了动态图数据上节点特征生成机制的学习问题，并提出了一种连续得分优化方法，名为 GraphNOTEARS，该方法有效地刻画了节点特征生成过程中的同时关系和时滞交互关系之间的 DAG 结构，可以在一个简洁的方式下展现特征生成过程。实验表明，该算法在模拟数据方面表现优异，并能够学习到来自真实世界数据集的节点之间的联系。

Nov, 2022

有向无环图上的卷积学习

我们开发了一种新颖的卷积结构，专门用于从有向无环图 (DAGs) 的数据中学习。通过 DAGs，我们可以建模变量之间的因果关系，但它们的幂零邻接矩阵给开发 DAG 信号处理和机器学习工具带来了独特挑战。为了解决这个限制，我们利用了近期的进展，提供了 DAG 上信号的因果转变和卷积的备选定义。我们开发了一种新颖的卷积图神经网络，集成了可学习的 DAG 滤波器，以考虑图拓扑引起的部分排序，从而为学习 DAG 支持数据的有效表示提供了有价值的归纳偏见。我们讨论了所提出的 DAG 卷积网络（DCN）的显著优势和潜在限制，并使用合成数据在两个学习任务中评估其性能：网络扩散估计和源识别。DCN 相对于几个基线表现出有利的比较，展示了它的潜力。

May, 2024

非高斯有向无环图的结构迁移学习

通过引入一组新的结构相似度度量方法，并有效利用不同层次结构相似性的辅助 DAG 信息，我们提出了一种传输 DAG 学习框架，理论分析和大量实验结果表明，在目标研究中的 DAG 重建方面取得了显著的改进，即使没有任何辅助 DAG 与目标 DAG 完全相似，这与大多数现有的传输学习方法形成鲜明对比。该方法的优势也得到了在合成数据和多站点脑功能连接网络数据上的广泛实验支持。

Oct, 2023

在有向无环图上进行多邻域协同学习

通过开发一种新的基于约束的方法，该方法用于估计多个用户指定目标节点周围的局部结构，从而在邻域之间实现结构学习协调，进而促进无需学习整个有向无环图结构的因果发现。实验结果表明，我们的算法在学习邻域结构时具有更高的准确性，且计算成本较低于传统方法。

May, 2024

DAG 中的深度学习

引入因果图归一化流（causal-graphical normalizing flows, cGNFs）这一新方法，该方法利用深度神经网络对以有向无环图（directed acyclic graphs, DAGs）表示的理论进行经验评估，模型所显示的数据的完整联合分布，而无需对函数形式进行严格的假设，从而可以对由 DAGs 确定的任何因果估计量进行灵活的半参数估计，包括总效应、条件效应、直接和间接效应以及路径特定效应。

Jan, 2024