分离未知因果干预混合物
该研究研究了从已知的因果贝叶斯网络中进行的干预的混合分布的分离问题,提出了一种有效算法来恢复混合成分的混合比例,并基于简单假设证明了混合物精确边际已知时可排除混合中的少数分布来使混合成分混合比例可识别,进而设计了一种估计混合比例的优化框架,并在真实场景下进行了验证。
Nov, 2019
通过干预来学习混合因果模型中变量之间的因果关系是一项具有挑战性的任务,本文提出了匹配性的必要和充分条件以及一种自适应算法,用于学习混合因果模型中的所有真实边,具有最佳干预效果并在混合模型不包含循环关系时尺寸最小。
Jun, 2024
研究非参数学习中未知干预数据的因果表征学习,证明两个有关变量的观察分布和一次干预足以提供可识别性,同时说明了保留潜在变量之间因果影响的等价解决方案在绘制新数据的因果推论方面的合理性
Jun, 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
针对部分或完全未知的干预目标的混合观测和干预数据的因果 DAG 模型估计问题,本文提出一个算法来寻找干预马可夫等价类,此算法采用贪心策略在排列空间中搜索以最小化新的分数函数,同时该算法是无参数的,因此适用于非线性关系和非高斯分布的情况,性能表现已被验证。
Oct, 2019
本研究提出了一个基于连续优化和神经网络的框架,以创建联合观测和干预数据模型的方法,能在不知情干预变量的情况下获得强大的基准结果,包括从合成图和来自 Bayesian Network Repository 的标准图中恢复结构。
Oct, 2019
我们研究了在具有多个环境收集的异构数据的结构因果模型中,识别未知干预目标的问题。我们提出了一个两阶段方法,第一阶段恢复了在环境之间分布发生变化的未知干预目标对应的外源性噪声,第二阶段将恢复的噪声与相应的内源性变量进行匹配。在有潜在混淆因素存在的情况下,观察到的变量中的干预目标无法确定唯一。我们提供了一个候选干预目标集,它是真实干预目标集的超集。我们的方法改进了现有方法,返回的候选集始终是以前的工作返回的目标集的子集。此外,我们不需要诸如因果模型的线性性或执行不变性测试等限制性假设,以了解分布是否在环境之间发生变化,这可能会导致样本效率低下。我们的实验结果显示了我们提出的算法的有效性。
Dec, 2023