A * 算法因果发现中的领域知识

Aug, 2022

Domain Knowledge in A*-Based Causal Discovery

Steven Kleinegesse, Andrew R. Lawrence, Hana Chockler

TL;DR本篇论文探讨如何在基于 A * 方法的因果关系发现中高效地整合多种类型的专家领域知识以减少图形搜索空间，并提供了潜在的计算增益分析。作者通过合成数据和真实数据的实验支持这些发现，表明即使少量领域知识都可以极大地提高 A * 方法的效率和实用性。

Abstract

causal discovery has become a vital tool for scientists and practitioners wanting to discover causal relationships from observational data. While most previous approaches to causal discovery have implicitly assum

causal discovery domain knowledge constraint-based methods a*-based methods computational gains

发现论文，激发创造

因果发现的样本复杂度及领域专业知识的价值

本文分析了没有条件独立 (conditional independence) 武器下，因果探索算法的样本复杂度，以及领域专业知识在数据样本方面的价值，并通过数字实例证明了这些抽样率的准确性，并量化了稀疏先验和已知因果方向的好处。

Feb, 2021

因果发现中的假设违规和评分匹配的鲁棒性

本研究对观测因果发现方法的实证表现进行了广泛的基准测试，发现基于分数匹配的方法在具有挑战性的情景中推断图的假阳性和假阴性率方面表现出令人惊讶的性能，并提供了理论洞察。该研究还首次尝试基于超参数值评估因果发现算法的稳定性。希望这篇论文能够为因果发现方法的评估树立新标准，并成为对该领域感兴趣的实践者的可访问入口，突出了不同算法选择的实证影响。

Oct, 2023

CausalDisco: 使用知识图谱链接预测进行因果发现

CausalDisco 是一种将因果关系发现作为知识图谱补全问题的新方法，支持因果解释和因果预测，并通过比较多个知识图嵌入算法在模拟视频数据集上的表现，证明了使用加权因果关系能够提高因果关系发现的性能。

Apr, 2024

论证性因果探索

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

将因果优先知识作为路径约束融入贝叶斯网络和最大祖先图

本研究讨论将关于因果关系的先验知识纳入因果模型，并介绍了一些基于因果贝叶斯网络和最大祖宗图等模型的加入因果先验知识的方法和过程，通过模拟实验和案例研究发现，加入少量先验知识将导致大量新的推断结果。

Jun, 2012

祖先因果推断

提出一种通过利用更粗粒度的原因信息表示来降低搜索空间的组合爆炸，从而极大地减少计算时间，并根据信心对原因预测进行评分的新方法，证明了方法的正确性和渐近一致性，并证明了该方法在合成数据上的优越性能，并将其应用于具有挑战性的蛋白数据集中。

Jun, 2016

基于模糊知识和复杂数据互补的弱监督因果推断

KEEL 是一种弱监督的模糊知识和数据驱动的因果发现方法，能够提高在高维度和小样本场景中因果关系发现的泛化能力和鲁棒性。

May, 2024

将领域知识融入深度神经网络

本文调查了通过神经网络构建模型时如何加入领域知识，提供两种编码这种知识的方法，并描述了在每个方法的几个子类别中获得的技术和结果。

Feb, 2021

通过 NOTEARS 评估因果结构学习中的专家知识引导效果

本研究考察了外界专家知识增强因果关系挖掘模型的影响，结果表明校准模型错误的知识可以显著提高挖掘效果，对于挖掘因果关系而言，对影响边的约束比对非影响边的约束对性能的提升更为显著。

Jan, 2023

地球系统科学中的交互式因果结构发现

本研究提出了基于领域知识的因果结构发现工作流，介绍了交互式修改 CSD 算法输出的方法，并将用户交互建模为吝啬算法，用于找到包含领域知识先验分布的最大后验解。研究发现，考虑领域知识能够对最终发现的因果模型产生实质性影响，并表明在地球系统科学等领域中寻找最大可用因果模型是一个困难且包含许多有趣的开放性研究问题。

Jul, 2021