Nov, 2022

线性时间内找到前门调整集

PDF
TL;DR本文提出了一种基于有向无环图 (DAG) 的前门调整线性时间算法，可在 O (n+m) 的时间内发现满足前门准则的集合，因此达到渐进最优时间复杂度，并提供了一个算法以 O (n (n+m)) 的延迟列出给定 DAG 中所有前门调整集。
front-door adjustmentcausal effectsalgorithmlinear time complexitydag
发现论文，激发创造
  • 利用有限的图知识超越 Markov 等价的前门调整

    本文通过提供可测试的条件独立性语句，展示了使用类前门调整来计算因果效应的方法，并证明该方法适用于在有限结构信息的情况下不知道图形的情况下。

    Jun, 2023

  • 寻找并列出前门调整集

    该论文介绍了一种算法，可用于寻找和枚举满足因果图中 Pearl 的前门准则的可能集，有助于因果效应估计的实际应用和帮助科学家选择具有所需属性的估计对象。

    Oct, 2022

  • 因果图中的分离器和调整集：完备准则和算法框架

    本文提出了一种基于祖先图的算法框架，用于有效地测试，构建和枚举 $m$- 分隔符，从而较高效地进行非实验数据中因果效应的识别，同时还证明了通过协变调整进行因果效应识别与 $m$ 分离在有向无环图及最大祖先图中的一个子图的规约，并利用这些结果，得出一种刻画所有调整集以及在存在潜在混淆因素的多元曝光及结果的期望因果效应识别的所有最小和最小调整集的构造性条件，为这些问题的特殊情况提供了现有解决方案的扩展。

    Feb, 2018

  • 高维因果推断与变分背门调整

    借助生成建模的方法，本文提出了一种解决高维治疗和混杂变量的干预问题的后门调整技术，实现了干预似然的估计。

    Oct, 2023

  • 潜在混淆变量的总效应在总结性因果图中的可识别性：基于前门准则的扩展

    使用摘要因果图从观测数据中确定总效应的充分图形条件，即使存在隐藏的混杂和没有足够的变量集进行调整，也有助于从观测数据中理解和估计因果效应的持续努力。

    Jun, 2024

  • 加权因果有向无环图的新度量和搜索算法

    通过研究自适应干预下的因果图发现，提出了一种新的基准，捕捉任何搜索算法的最坏干预成本，并提出了在各种设置下实现对数逼近的自适应搜索算法。

    May, 2023

  • 因果线性模型中通过调整实现高效总效应估计的图形标准

    本研究提出了一种基于图形的标准来比较不同有效调整集合提供的渐近方差，同时介绍一种简单的减少方差的修剪程序和提供最优渐近方差的有效调整集合的图形特征，并展示这些结果的实际应用性。

    Jul, 2019

  • 使用变分自编码器与前门准则进行因果效应估计

    本文提出了使用前门标准和深度生成模型解决存在未观测混淆因素和中介因素的因果推断问题的方法 FDVAE，并在合成数据集和真实数据集上进行了试验。

    Apr, 2023

  • 调整识别距离：因果结构学习中的一个 Gadjid

    评估因果发现算法学习到的图形是困难的：两个图形之间不同的边的数量不反映它们在提供因果效应的标识公式方面的差异。我们介绍了一种开发图形之间因果距离的框架，其中包括有向无环图的结构干预距离作为一种特殊情况。我们利用这个框架开发了改进的基于调整的距离以及对已完成的部分有向无环图和因果顺序的扩展。我们开发了多项式时间可达性算法以高效地计算距离。在我们的包 gadjid（开源网址如上所示），我们提供了距离的实现；它们的速度比结构干预距离快几个数量级，从而为可扩展到以前禁止的图形规模的因果发现提供了成功度量。

    Feb, 2024

  • 在祖先图的马尔可夫等价类中完成调整集的图形刻画和构造

    我们提出了一个适用于四类因果图模型：定向无环图 (DAGs)、最大先祖图 (MAGs)、完成部分定向无环图 (CPDAGs) 和部分先祖图 (PAGs) 的变量调整图形标准，该标准统一了一个大的图形类的变量调整。此外，我们定义了一个明确的集合，如果有满足我们的标准的集合，则满足我们的标准。我们还提供了高效算法来构建所有满足我们标准的集合，并在 R 包 dagitty 中实现。最后，我们讨论了我们的标准与其他调整标准之间的关系，并为 DAG 的调整标准提供了新的完整性和有效性证明。

    Jun, 2016