在稀疏机制转移假设下异质环境下的因果发现

Jun, 2022

在稀疏机制转移假设下异质环境下的因果发现

Causal Discovery in Heterogeneous Environments Under the Sparse Mechanism Shift Hypothesis

Ronan Perry, Julius von Kügelgen, Bernhard Schölkopf

TL;DR本文探讨了在非独立同分布环境下学习因果结构的方法，提出了稀疏机制偏移假设，并应用于提出的机制偏移得分进行实证研究，结果证明了该算法具有较高的正确性和实用性。

Abstract

machine learning approaches commonly rely on the assumption of independent and identically distributed (i.i.d.) data. In reality, however, this assumption is almost always violated due to distribution shifts between environments. Although valuable learning signals can be provided by he

machine learning causality sparse mechanism shift hypothesis causal structure empirical estimators

发现论文，激发创造

利用独立因果机制原理学习鲁棒模型

本文提出一种基于独立因果机制（ICM）原理的新梯度学习框架，理论和实验结果表明，这种学习方法可以在训练时利用不同环境之间的分布偏移，使神经网络更加鲁棒，并成功地找到与环境无关的关系，达到了对不稳定环境的泛化能力。

Oct, 2020

从异质 / 非平稳数据中独立变化进行因果推断

本文提出了一种基于约束的因果发现框架，称为 CD-NOD，用于从异构 / 非平稳数据中查找原因骨架和方向，并估计机制变化的属性。该方法在各种合成和真实数据集上进行了实验验证，证明了其有效性。

Mar, 2019

学习解离因果机制的元转移目标

利用元学习方法，基于快速适应新分布的速度，学习因果结构，包括因果关系的参数化，模块化和编码等方面，以提高对非标准干预的快速适应能力和降低重学需要的信息量。

Jan, 2019

学习独立的因果机制

通过模拟物理机制，我们开发出一种无监督学习的算法，能够从变换后的数据点中恢复出一组相互独立的机制，并且这些机制可以移植到新的领域中，对于迁移学习有重要的启示和应用。

Dec, 2017

异质性对于不变性和因果性的隐性偏见

从大规模语言模型、因果关系、以关联为导向的训练、数据异质性和随机梯度下降等方面，揭示了隐含的偏差存在。

Mar, 2024

当协变量和标签同时发生变化时，估计和解释模型性能

该文研究了机器学习模型在遇到新的用户数据时，如何估计模型的性能，提出了一种新的分布偏移模型 SJS 和算法框架 SEES，实验结果表明 SEES 在各种数据集和分布偏移情况下，相比现有方法，均能显著提高分布偏移误差的估计精度。

Sep, 2022

用于无监督分布偏移检测的自组织聚类系统

本文提出了一种持续学习框架，用于监测和检测数据分布的变化，通过自组织聚类和潜空间的统计方面探索这个问题，方法可以应用于有监督和无监督的环境中，并且通过比较高斯信号构建数据分布变化的评估，具有快速和稳健的特点，通过与其他无监督技术的比较实验证明了方法的潜力。

Apr, 2024

在潜变量存在的情况下基于排序的因果结构学习

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

因果机制转移的少样本领域自适应

本文提出了一种利用机制转移适应目标领域的方法，该方法可以在数据生成机制在不同领域间不变的假设下应对非参数移位问题，并应用因果模型中的结构方程来进行域适应，实验证明该方法可以在回归问题中有效使用。

Feb, 2020

可识别的隐含神经因果模型

潜在维度加性噪声模型和潜在后非线性因果模型中的分布转变在因果表示学习中发挥重要作用，能够确定因果表示的可辨识性条件，并将其转化为实际算法，从而获得可靠的潜在因果表示。

Mar, 2024