本文研究了关于基于数据学习因果模型的结构学习算法,比较了它们在不同场景下的实验性能表现。
Jun, 2017
超级学习方程建模是一种集成机器学习超级学习器的路径建模技术,能够提供一致和无偏的因果效应估计,并在处理非线性关系时比结构方程模型(SEM)表现更好。
Aug, 2023
该论文介绍了结构方程模型 (SEMs) 中精确的转换机制,以实现不同粒度和级别的建模;它强调了在因果建模过程中精确定义干涉的重要性,并阐明了循环 SEMs 的解释。
Jul, 2017
本文通过建立结构性因果模型和应用图神经网络模型,提出了一种新的因果推断方法,并证明了该方法可以用于因果效果辨识。
Sep, 2021
本文研究线性结构方程模型,提出一种利用缺失的双向边识别模型因果参数的算法,并展示了如何组合多个缺失的环来获得唯一解。
Mar, 2022
本文介绍了一个完整的可识别性结果,该结果表征了所有情况,其中从总结因果图中直接效应可以图形化识别,并提供了两个可靠的有限调整集,可以用来估计直接效应。
Jun, 2023
机器学习与因果推断的新兴融合方法介绍,涵盖经典结构方程模型、其现代人工智能等价物有向无环图和结构性因果模型的思想,并使用现代预测工具来进行这些模型的推断。
Mar, 2024
本文提出了一种基于贝叶斯推理的方法,在低级别数据的情况下学习维度高、SCM 结构和参数未知的高级因果变量,从而实现对潜在 SCM 的推断和图像生成。
Oct, 2022
本文阐述了使用结构方程建模原因的方法,提出变量和其值的选择在因果关系中起着重要作用,进一步研究了什么样的模型是合适的模型,特别是在考虑默认值时需要注意的问题。
Jun, 2011
本文提供了关于结构因果模型和普通微分方程之间关系的新视角,并展示了如何使用动态结构因果模型模拟普通微分方程在非常量干预下的渐近行为。
Aug, 2016