从书籍或影视素材中提取因果 DAG
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
该研究介绍了一种叫做 “集群有向无环图(Cluster DAGs)” 的新型图形建模工具,其可以基于有限的先验知识提供变量之间关系的部分规范,从而缓解了在复杂、高维度领域中指定完全因果图的严格要求。在该图形模型下,本研究还开发了基于 “Pearl's Causal Hierarchy” 的各层级的变量集聚进行推理的方法,并验证了 C-DAGs 的有效性。
Feb, 2022
本研究研究了有向无环图在表示条件独立关系方面的作用,提出 DAG 可以用来推断条件独立关系并可以比其他准则发现更多合法的独立关系。此外,研究还表明 DAG 所显示的依赖关系是相一致的。
Mar, 2013
本文提出了一种用于验证数据一致性的有效算法,该算法可以从独立性信息中提取因果关系,利用条件独立语句测试是否存在符合所有观测到的依赖性和独立性的因果模型,并找出存在的因果关系。
Mar, 2013
本文研究利用多元计数数据进行因果发现,引入个性化的二项式有向无环图模型以应对用户异质性和观测之间的网络依赖关系,通过将网络结构嵌入到降维协变量中来学习所提出的有向无环图模型,并探索方差 - 均值关系以确定节点的顺序。通过模拟实验证明我们的算法在异质数据上胜过现有的竞争对手,并在实际的网页访问数据集上验证了其实用性。
Jun, 2024
引入因果图归一化流(causal-graphical normalizing flows, cGNFs)这一新方法,该方法利用深度神经网络对以有向无环图(directed acyclic graphs, DAGs)表示的理论进行经验评估,模型所显示的数据的完整联合分布,而无需对函数形式进行严格的假设,从而可以对由 DAGs 确定的任何因果估计量进行灵活的半参数估计,包括总效应、条件效应、直接和间接效应以及路径特定效应。
Jan, 2024
本文提出了一种用于计算标记等价类中 DAG 数量的技术,并显示在有限制图案下,所提出的算法是多项式时间的。此技术可用于均匀采样来枚举等价类中的 DAG,并可用于因果实验设计和估计联合干预的因果效应。
Feb, 2018
本文提出了一种新方法 —— 称作直接因果子句(DCC)来表述所有类型的因果背景知识,分析因果背景知识的一致性、等价性,任何因果背景知识集合都可分解成一个因果 MPDAG 和一个最小剩余 DCC 集合,并提供了用于检查一致性、等价性和查找分解的多项式算法。最后,作者们还发现,因果效应的可鉴定性仅取决于分解后的 MPDAG。
Jul, 2022