分离未知因果干预混合物

Oct, 2022

Disentangling Mixtures of Unknown Causal Interventions

Abhinav Kumar, Gaurav Sinha

TL;DR研究了在引起贝叶斯网络中识别所有干预混合组分的问题，证明了在满足积极性条件的情况下，如果混合组分满足接受排除假设，则可以唯一地识别它们。

Abstract

In many real-world scenarios, such as gene knockout experiments, targeted interventions are often accompanied by unknown interventions at off-target sites. Moreover, different units can get randomly exposed to different unknown interventions, thereby creating a mixture of interventions. Identifying different components of this mixture can be very valuable in

causal bayesian network intervention identification mixture components exclusion assumption identifiability proof

发现论文，激发创造

利用聚合观测数据解开因果贝叶斯网络干预混杂问题

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

混合有向无环图中的干预因果发现

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

未知干预下因果表征的非参数识别

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

基于贝叶斯的从未知一般干预中发现因果关系

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

基于置换的因果结构学习（未知干预目标）

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

从一般非线性混合干预中学习线性因果表示

本文研究了从未知潜在干预中学习因果表征的问题，并且证明了在情形下强可辨识性，该情形中潜在分布是高斯分布，混合函数是完全一般化的。

Jun, 2023

软干预下因果解缠识别保证

本论文提出了一种基于潜在变量和因果模型的预测建模方法，以预测基因组学中联合扰动效应，并证明了该模型在无限数据极限下可以恢复潜在因果模型。

Jul, 2023

从未知干预中学习神经因果模型

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

非目标干预下的因果发现

该研究论文提出了一种基于随机干预的因果发现模型，通过最小化干预次数来解决因果发现问题，提供了多对数竞争比的近似算法，并给出了一些初步实验结果。

Feb, 2024

从异质数据中学习结构因果模型中的未知干预目标

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