通过加性模型和任意噪声进行得分匹配的因果发现
提出了一种级联非线性加性噪声模型,可以发现难以被非线性加性噪声模型正确揭示的因果关系。该研究还在变分自编码器框架下提出一种方法来估计该模型并克服了实践中存在的一些问题。
May, 2019
本研究基于加性噪声模型,扩展了因果推论在离散变量情况下的应用,提出了一种快速的算法,能够有效判断有限离散变量的因果关系,经实验验证表明该算法可行。
Nov, 2009
本文提出一种基于混合模型的 Additive Noise Model (ANM),并且通过 Gaussian Process Partially Observable Model (GPPOM) 加入独立性约束,可用于根据混合模型的生成机制进行因果推断和聚类。
Sep, 2018
利用模拟数据在因果发现领域普遍存在,本文对线性数据和非线性模型中方差的演变模式进行了研究,并引入了 ScoreSort 算法。通过理论和实证分析发现 ScoreSort 在统计效率上相较于之前的方法具有优势,认为缺乏数据多样性限制了非线性因果发现方法的评估,强调了在问题类中进行不同设置的全面测试的重要性,以及分析因果发现中的统计特性的重要性,现有研究常限于模型的可识别性条件。
Oct, 2023
本文介绍了如何通过观测非线性加性高斯噪声模型对数似然函数的二阶导数来发现整个因果图,利用可扩展的机器学习方法来逼近得分函数,扩展了 Rolland 等人的工作,仅从得分中恢复拓扑顺序并要求昂贵的修剪步骤,从而导致 DAS (Discovery At Scale) 算法,这是一个实用的算法,可以将修剪的复杂性降低到与图形大小成比例的因子。在实践中,DAS 算法可以实现与当前最先进的技术相当的准确性,而速度则快了一个数量级。总的来说,我们的方法实现了基于原则且可扩展的因果推断,显着降低了计算门槛。
Apr, 2023
在存在自我遮蔽缺失情况下,探索从缺失数据中学习因果结构的识别问题是一项具有挑战性的任务,然而我们发现最近引入的加性噪声模型具有潜力用于解决这个问题。本研究通过扩展因果骨架的可识别范围,给出了加性噪声模型下因果方向的充分和必要的识别条件,并提出了一种基于该理论结果的实用算法来学习因果结构。通过对合成数据和真实数据的广泛实验,证明了该算法的高效性和有效性。
Dec, 2023
本文介绍了一种基于非高斯性的新的、无需迭代算法参数即可估计因果排序和连接强度的方法,该方法能够在少量的步骤内保证求解正确,能够处理连续变量之间的因果关系。
Jan, 2011
本文研究如何在不确定模型图结构的情况下,通过识别函数机制变化来比较两个或多个相关结构因果模型。我们提出使用非线性加性噪声模型对各模型进行建模,并证明了使用混合分布的分数函数的雅可比矩阵可以用于识别非参数函数机制中的变化。在确认变化的因素后,我们进一步使用其他方法来估计变化的结构差异,以此来帮助理解在不同环境下各个变量的差异。
Jun, 2023
基于连续优化框架通过引入松弛且可实现的充分条件,证明了一类可辨识的结构方程模型 (SEM),在此基础上提出了一种新颖的有法考虑噪声方差变异的 DAG 学习方法,并设计了一个有效的两阶段迭代算法来解决优化困难,实现对具有异方差变量噪声和不同方差的数据的因果 DAG 学习。在合成数据和实际数据上,实验结果显示该方法明显优于现有方法。
Dec, 2023