May, 2023

在潜在混淆因素存在的情况下从不定数据中学习恢复因果关系

PDF
TL;DR本文提出了一种称作混淆分离因果发现算法（Confounding Disentanglement Causal Discovery，简称 biCD）的方法，通过使用因果强度变分模型，将潜在变量作为中介变量来解决存在潜在变量的非确定数据情形下的因果关系发现问题。我们将结果用合成和实际数据进行了验证，证明了该方法的有效性。
发现论文，激发创造
  • 潜在类别混淆下的因果发现

    使用有向无环图来建模系统的因果结构。在多个数据源（群体或环境）的数据聚合中，全局混淆模糊了许多因果发现算法中的条件独立性属性。因此，现有的因果发现算法不适用于多源设置。我们证明，如果混淆的基数有限（即数据来自有限数量的源），仍然可以实现因果发现。该问题的可行性取决于全局混淆因素的基数、观测变量的基数和因果结构的稀疏程度的权衡。

    Nov, 2023

  • 无限数据中的因果关系：基准模型和新数据集

    深度学习和因果发现相结合，我们发现在对话和视频中学习因果结构和表示面临许多挑战，这些数据形式被定义为 “不确定数据”，具有多结构数据和多值表示特征。为了解决数据集缺口，我们发布了两个高质量的数据集，Causalogue 和 Causaction，分别包含带有因果注释的文本对话样本和视频动作样本。此外，由于多结构数据和多值表示的存在，方法上产生了一个缺口，打破了所有当前方法的假设，使得它们在不确定数据上变得不可行。为此，我们提出了一个概率模型作为基线，包含了三个特定的亮点来解决这个缺口：1）利用非固定因果结构下噪声项独立性建立表示的因果条件，2）将因果强度视为潜变量，并在相关空间中测量重建损失，3）估计潜在混淆因子的影响。这些亮点使得概率模型能够克服多结构数据和多值表示带来的挑战，为潜在混淆因子的扩展铺平了道路。全面实验评估了因果结构、因果表示和混淆解缠结的基线结果。

    Jan, 2024

  • 用于贝叶斯因果发现的潜变量模型

    该研究探讨了从高维数据中学习因果表示的挑战性问题，并引入了一种基于潜变量解码器模型的贝叶斯因果发现方法，在半监督和无监督的情况下进行了实验，表明使用已知的干预目标能够帮助结构和参数的无监督贝叶斯推断。

    Jul, 2022

  • 从多个分布中学习因果表示：一个通用设置

    在非参数的因果表示学习中，通过稀疏约束和适当的因果影响条件，可以恢复有向无环图的势化图，从而揭示潜在因果模型的潜在变量及其关系的特定且复杂的方式。

    Feb, 2024

  • 将因果推断重新解释为预测未观测的联合统计量的任务

    通过因果推断方法可以推断未被观察到的联合分布的性质，进一步定义了一种从已观察到的变量中引入因果模型来推断未观察到变量的统计性质的学习场景，并且通过推导因果模型的 VC 维，得出了预测的泛化界限。

    May, 2023

  • 使用深度潜变量模型推断因果关系效应

    利用潜在变量建模来解决处理混淆因素以从观测数据中获取个体级因果关系的问题，该方法基于变分自编码器，效果显著优于现有方法且可达到同类方法的最佳水平。

    May, 2017

  • 使用潜变量发现循环因果模型：一般的基于 SAT 算法的过程

    本文提出了一种非常通用的方法来学习因果模型的结构，该方法基于从任何给定的重叠的被动观察或实验性数据集获得的 d - 分离约束。此方法允许直接循环（反馈回路）和潜在变量的存在。我们的方法基于因果路径的逻辑表示，允许将相当通用的背景知识集成，推理是使用布尔满足（SAT）求解器执行的。该过程是完整的，因为它用尽了关于是否可以确定存在或不存在任何给定边缘的可用信息，否则返回 “未知”。许多现有的基于约束的因果发现算法可以看作是特殊情况，适用于一个或多个限制性假设的情况。模拟说明了这些假设对发现的影响以及现有算法的扩展能力。

    Sep, 2013

  • 因果结构学习中的非线性、反馈与一致性

    寻找自动化搜索方法，从观察数据中学习因果结构；讨论潜变量和观察变量之间的因果联系以及它们之间的潜在模式和结构；提出了不同于高斯分布条件的 k - 三角性忠诚度的另一定义，可用于非高斯分布；轻松学习具有潜变量的因果结构的充分性假设。

    Aug, 2023

  • 隐变量混淆的多重因果推断

    本文提出了一个基于共享混杂物和独立治疗的多种治疗估计技术，并使用相互信息对混淆估计器进行正则化，同时使用独立于混淆物的治疗方法中的残留信息来恢复治疗效果，并在模拟和医学临床案例中进行了验证。

    May, 2018

  • 探究存在未观测混杂因素和非高斯数据的因果发现

    从多元观测数据中恢复因果关系结构，方法基于线性结构方程模型，可有效处理潜在混淆，并可通过无弓有向无环路径图恢复精确的因果结构。

    Jul, 2020