本文介绍了一种新的关于环形关系因果模型的表示方法和推理方法。通过引入关系 σ 分离的新标准,以及一种新的提升表示,σ- 抽象地面图,帮助在所有可能的实例化中抽象统计独立关系。我们还表明,基于 σ-AGG,关系 σ 分离对于任意长度的一个或多个循环的存在是完整的和有必要的。本文是有关现有研究所建立的第一个运行时表示和推理循环关系因果模型。
Feb, 2022
该论文提出了一种名为‘关系性因果发现 (RCD)’的算法,通过关系性模型和在条件独立方面的提升推理,学习因果关系,证明了该算法的可靠性和有效性。
Sep, 2013
本研究介绍了一种使用线性非高斯模型的广义的、统一的局部因果发现方法,无论是循环还是非循环。我们将独立成分分析的应用从全局上下文扩展到独立子空间分析,能够从目标变量的马尔科夫毯中准确识别等效的局部有向结构和因果强度。对于特殊的非循环场景,我们还提出了一种基于回归的替代方法。我们的可识别性结果在合成和真实数据集上得到了实证验证。
Mar, 2024
本文介绍了一个可以通过样本数据推理带循环因果图的因果结构的发现算法,并给出了正确性条件,该算法是稀疏图上的多项式。
Feb, 2013
本文介绍了一种称为循环因果推断(CCI)的算法,能够在条件独立神经元操作符下对循环因果过程进行有效推断,如将循环因果过程表示为非递归线性结构方程模型与独立误差。实证结果表明,CCI 在循环情况下优于 CCD,且在无环情况下与 FCI 和 RFCI 竞争力不相上下。
May, 2018
本文提出了一种无需假设线性关系和处理反馈环的方法来学习连续数据中的环形因果模型,并在生化反应的背景下提出了一种新的建模干预的方法。通过运用该方法对 Sachs et al. (2005) 流式细胞术数据进行重建,证明了该方法在发现环形反馈和提高数据精度方面的优越性。
在本研究中,我们提出了一种名为 MissNODAGS 的新框架,用于从部分缺失的数据中学习循环因果图。通过合成实验和真实的单细胞干预数据,我们证明在部分缺失的干预数据上使用最先进的填充技术后进行因果学习相比之下,MissNODAGS 表现出更好的性能。
Feb, 2024
该研究使用有向无环图 (DAG) 表示随机变量之间的条件独立关系,证明了非递归结构方程模型能够通过有向循环图表示条件独立误差,并推导出满足条件独立约束的充分条件以及非线性系统的变量在相关分布中条件独立的条件。
对稀疏线性模型中具有循环和隐藏混杂因素的因果关系进行比较研究,评估了四种因果发现技术在多个干预设置和不同数据集规模下的性能。
Jan, 2024
本文提出了一种实验设计方法,可以学习含有循环或非循环的因果图,并且在保证最差情况下的唯一识别因果图所需实验数量最少。
May, 2022