Jan, 2023

具有小条件集的因果图的表征和学习

PDF
TL;DR本文提出了一种基于有限数据进行稳健因果发现的算法 $k$-PC，通过对两个因果图的条件独立性约束进行比较建立了 $k$-Markov 等价。实验表明，$k$-PC 算法相较于传统 PC 算法，可以在小样本环境中实现更强大的稳健性。
causal discoveryconditional independence testsequivalence classesk-pc algorithmrobustness
发现论文，激发创造
  • 利用较少条件独立性检验进行因果发现

    本研究旨在通过多项式数量的条件独立性测试来学习隐藏因果图的较粗糙表示，名为因果一致分区图（CCPG），它由顶点的一个分区和在其组件上定义的有向图组成，并满足方向性的一致性和其他有利于更细的分区的约束条件。此方法在因果图可识别的特殊情况下，通过多项式数量的测试，提供了首个有效的还原真实因果图的算法。

    Jun, 2024

  • 基于结构的约束学习马尔可夫网络

    用约束条件的结构学习方法学习马尔可夫网络的理论限制与性能逐渐变好，并且对条件独立性测试的集合大小和测试数量进行了研究。

    Mar, 2024

  • 运用算法马尔可夫条件进行因果推断

    本文介绍了一种基于单个观测数据进行因果推断的方法，使用条件算法互信息代替因果马尔科夫条件中的条件随机独立性，解释了单个对象之间相似性的因果图生成，并使用可判定复杂度标准替代 Kolmogorov 复杂度，提出了一种新的因果推断原则，从而可以在 Markov 等价因果图之间进行选择。

    Apr, 2008

  • 通过独立性查询预测马尔可夫等价类中的成员资格

    推理因果关系、统计图模型、条件独立测试和学习之间的关系及其几何解释。

    Mar, 2024

  • 在 $k$- 三角信仰假设下的因果效应均匀一致估计器

    提出了一种在 Causal Markov 假设和较弱的 k-Triangle-Faithfulness 假设下，能够一致估计线性高斯因果结构的 Markov 等价类和可识别结构系数的估计器。

    Feb, 2015

  • 基于约束的因果发现的逻辑特征化

    通过逻辑推理的方法，基于简单的关系逻辑陈述从部分观测到的关系推出因果关系的方法，可以在存在潜在变量和选择偏差的情况下找到对应局部祖先图的所有不变特征，发现每一个可识别的因果关系都对应了两种基本形式，因为该方法的基本构建块不依赖于图形结构，因此可以开发更稳健的推理，详细的询问方法和大规模应用方案。

    Feb, 2012

  • 计算具有相同骨架的马尔可夫等价类的一个易于参数化的算法

    给定一个无向图 G 作为输入，本文通过给出一个以树宽和图 G 的最大度数为参数的固定参数可行算法，为解决如何计算具有相同骨架 G 的不同 Markov 等价类的问题取得了进展。

    Oct, 2023

  • 基于约束的无序因果结构学习

    本研究考虑基于约束的因果结构学习方法，特别关注 PC 算法在高维数据中存在的顺序依赖性并提出多种改良方法，模拟实验和酵母基因表达数据验证表明改良后的算法在高维数据中表现更优。

    Nov, 2012

  • 朝着马尔科夫等价下界因果效应

    预测未见干预的效果是数据科学中的一个基本研究问题。本文采用了部分祖先图（Partial Ancestral Graph）作为输入，提供了一种可以在数据驱动环境下计算因果效应界限的系统算法。

    Nov, 2023

  • 邻接 - 信实性与保守型因果推断

    本文研究因果推断算法中所使用的 Faithfulness 条件，并提出了 Adjacency-Faithfulness 和 Orientation-Faithfulness 两个组成部分。我们发现，只需假设满足 Adjacency-Faithfulness 条件，就可以测试 Orientation-Faithfulness 的有效性，并通过修改 PC 算法使其在该条件下更为正确。与 PC 算法相比，在 Adjacency-Faithfulness 条件下，修改后的保守 PC 算法能够减少输出虚假因果关系的个数，并在大样本限制下具有相同的结果。

    Jun, 2012