加权因果有向无环图的新度量和搜索算法
本文研究探讨了在给定一个观测 Markov 等价类的因果图时,发现其唯一性所需的最坏情况实验次数可以指定为 Markov 等价类中最大团的函数。我们提供了一种算法来计算我们认为对于上述任务最优的干预集合。该算法建立在 Eberhardt 等人(2005 年)对于当考虑所有可能的 N 个变量的有向无环图时的一系列实验的最坏情况分析中获得的洞见的基础上。仿真结果表明我们的猜想是正确的。我们还展示了我们的猜想推广到其他可能的图假设类别不易进行,以及算法不再最优的意义。
Jun, 2012
学习因果有向无环图(DAG)的问题,使用观测和干预实验数据的组合进行研究,采用贝叶斯方法从一般干预中进行因果发现,通过图形特征化和兼容先验的贝叶斯推断保证不可区分结构的分数等价性,利用马尔可夫链蒙特卡洛(MCMC)拟合 DAG、干预目标和导致的父节点集合的后验分布,最后在模拟和真实蛋白质表达数据上评估了所提出的方法。
Dec, 2023
本文提出了两种利用观测和介入数据学习基因调控网络的算法,并证明了这两种算法在符合无偏性假设的情况下均具有一致性保证。同时,这些算法具有非参数性质,适用于分析非高斯数据。本文还对这两种算法在模拟数据,蛋白质信号数据和单细胞基因表达数据上的性能进行了分析。
May, 2017
该研究提出了一种基于高斯似然框架的有向无环图模型,用于联合建模观察数据和干预数据,以及通过 BIC 准则对干预马尔可夫等价类进行一致性估计,从而改善了干预数据的部分可鉴别性,提供更紧密的因果效应推断。
Mar, 2013
通过干预来学习混合因果模型中变量之间的因果关系是一项具有挑战性的任务,本文提出了匹配性的必要和充分条件以及一种自适应算法,用于学习混合因果模型中的所有真实边,具有最佳干预效果并在混合模型不包含循环关系时尺寸最小。
Jun, 2024
研究了在尽可能减少干预数量的同时,利用总共 r 个序列回合恢复因果图的问题,提出了一种可达到较好的近似水平的 r 自适应算法,并将其定义在非自适应(r=1)和完全自适应(r=n)设置之间。
Jun, 2023