关于 D - 分离的不可能性
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
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。
Jan, 2023
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
通过引入新的约束条件和训练过程,我们提出了稳定可微分因果发现(SDCD)方法,以解决推断因果关系作为有向无环图(DAGs)的问题。SDCD 方法在收敛速度和准确性方面优于现有方法,并可扩展到数千个变量的情况。
Nov, 2023
本文在不独立于同分布的数据实例上扩展了 d 分离理论,引入关系分离理论以从 relational models 推导条件独立性并提出了抽象的 ground graph 表达方式,从而实现了一种可靠、完整、高效的计算 d-separation 查询的方法。
Feb, 2013
该研究提出了一种新的基于分数的算法(SP 算法)来学习贝叶斯网络或有向无环图(DAG)模型,该算法在弱于忠实性假设的条件下具有一致性保证,并且在一些小 DAG 的模拟中表现出与其他算法相比的优越性。
Jul, 2013
本文提出了一种高效算法,能够根据贝叶斯网络的拓扑结构确定所有的相关性,算法的正确性和最大性源于基于概率理论的 d - 分离的完备性和正确性。该算法的时间复杂度为 O (lE l),E 为网络中边的数量。
Mar, 2013
本文研究了概率图模型中近似条件独立性的推断和验证问题,发现无向概率图并不能提供准确的条件独立性推断保证,而有向概率图可以通过 $d$-separation 算法准确推断近似条件独立性。此外,还提出了改进的近似保证方法和独立关系推断算法。
Oct, 2023
使用置换的贪心方法,基于一个置换多面体中的边图,在有限多步内,找到了一个对应于支配生成有向无环图原则的图结构的稀疏最小置换,该方法成功应用于有向无环图的生成。
Feb, 2017