Jul, 2022

利用模型不变性的因果发现和 Knockoff 干预

PDF
TL;DR通过对预测变量的干预利用模型不变性来推断非线性多变量时间序列系统中的因果关系，并借助 Knockoffs-based interventions 检测模型不变性。在真实数据和合成数据上评估我们的方法，我们的方法优于其他广泛使用的因果关系方法，如 VAR Granger 因果关系、VARLiNGAM 和 PCMCI+。
发现论文，激发创造
  • 高维条件变量选择的 Model-X 仿制品

    提出了一种新的 $model$-$X$ knockoffs 框架，可以在高维逻辑回归中有效地控制假发现率，甚至可以在条件分布完全未知的情况下实现控制变量选择，并且在研究英国克罗恩病的病例对照研究中，与原始分析相比可以发现两倍的结果。

    Oct, 2016

  • 深度模仿品

    使用深度生成模型对数据进行采样，生成对偶特征，提供一种灵活、无需模型的统计工具，以执行可控的变量选择和突变分析

    Nov, 2018

  • 针对大规模应用的模拟样本：具有假发现保证的新特征重要性统计量

    该研究探讨了如何使用基于贝叶斯网络的有效算法来生成 knockoffs，并开发了新的测试统计量以提高功率。

    Jul, 2018

  • 用于 FDR 控制变量选择的自编码模拟生成器

    本文提出了一种模型无关的 knockoff 生成器，该生成器通过潜在变量表示近似特征之间的相关性结构，进而达到了对 FDR 的控制和更好的功效，可以在 HIV-1 患者中找到与药物抗性相关的突变。

    Sep, 2018

  • 高维选择性推断的仿冒过滤器

    本文提出了一种基于 knockoff filter 的测试框架，用于在特征数量可能远远超过观测单元数量的高维线性模型中控制伪发现率，并在基因组关联研究中展示了其性能。

    Feb, 2016

  • 基于独立性检验的测量误差和线性非高斯模型因果发现方法

    本文提出了一种基于 Transformed Independent Noise (TIN) 的方法，用于解决测量误差下的因果图结构恢复问题，相比现有方法，TIN 条件检验方法更具可扩展性且在合成和真实数据中均能取得较好的效果。

    Oct, 2022

  • 基于深度学习的多元时间序列群体因果推断

    我们在多元时间序列的非线性系统中通过组级别的干预，测试模型的不变性，识别变量组的因果方向，从而获得比其他应用组因果方法更显著的改进，并深入了解真实世界的时间序列。

    Jan, 2024

  • 向因果不变性正则化：带代理的线性模型

    我们提出了一种学习线性模型的方法，该方法可使预测性能对无法观测变量的因果干预具有鲁棒性，当这些变量的噪声代理可用时。

    Mar, 2021

  • 利用 Knockoffs 寻找 Hidden Markov 模型中的基因

    本文扩展了模型无关窃取的方法，介绍了一种有效的算法来对隐藏马尔可夫模型进行采样，并说明与选择性框架相结合，可应用于基因组关联研究，并应用于研究克罗恩病和胆固醇水平等连续表型。

    Jun, 2017

  • 使用不变预测进行因果推断：识别和置信区间

    利用因果模型在干预下的预测不变性，我们提出一种方法来推断因果效应并构建高概率的因果模型集合。这个方法可以在各种不同实验设置下得出有效的置信区间，并研究了其鲁棒性和推广性。

    Jan, 2015