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
通过网络干预的主动学习方法，本论文旨在解决因果推断中潜在结果检验框架忽视个体干预以及假设独立处理效应的问题，提出了一种基于网络干预的主动学习方法以估计直接和溢出治疗效果，能够在复杂干预结构下具有高效和精确的效果估计能力。
Feb, 2024
本论文提出了一种结合贝叶斯方法和约束方法的算法，用于解决从有限数据集进行因果推断的准确性和稳健性问题。
Oct, 2012
这篇论文为对因果推断感兴趣但尚未熟悉的机器学习研究人员、工程师和学生提供了一个起点。通过阐述一组重要的因果认定假设，如可交换性、积极性、一致性和干扰的缺乏，我们将这些假设分类为两种主动和被动方法，并介绍了随机控制试验、基于赌博机的方法，以及匹配和逆概率加权等经典和深度学习的方法。通过介绍这篇论文中遗漏的一些因果推断方面，如碰撞偏差，我们希望为读者在因果推断和发现领域提供丰富的起始点用于进一步阅读和研究。
Aug, 2023
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
通过引入贝叶斯 - augmented 的频率独立性检验方法，可以解决数据量不足的问题来改善局限于有限数据的约束性因果发现方法的性能，由实验也表明相比于目前最佳方法在精确度和效率方面都有显著提高。
Jun, 2022
使用符号表示对假设引导论证（ABA）进行推理可以支持因果关系的发现，此方法在使用答案集编程（ASP）实现后在因果发现的标准基准测试中表现良好。
May, 2024
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。
活跃推理是一种与机器学习辅助数据收集相结合的统计推理方法，它通过在有限的标签收集预算下，利用机器学习模型识别哪些数据点最有利于标记，从而有效地利用资源。
Mar, 2024
我们提出了一种新的主动学习算法，通过一系列成本最低的干预来识别任何给定因果模型中的因果关系，同时引入了对时间周期性因果设置的形式化分析，并提供了一种可靠完备的算法来识别循环设置中的因果效应。
Sep, 2023