May, 2023

利用代理变量方法进行未观测变量的因果发现

PDF
TL;DR本文介绍了一种在存在连续变量的情况下发现因果关系的方法，通过解决离散数据的严格级别约束限制的问题，把连续因果关系测试转换为每个区间内离散因果关系的测试，这些非参数规则可以广泛适用于大量结构因果模型。
causal relationsobservational dataunobserved variablesproximal causal discovery methodscontinuous variables
发现论文，激发创造
  • 使用代理变量从子采样时间序列中进行因果发现

    本论文提出了一种基于无模型的算法，使用代理变量方法识别从子采样时间序列中提取出的整个因果结构，能够非常好的处理未观测到的时间步问题，具有较好的理论优势并获得了实验结果的支持。

    May, 2023

  • 使用代理变量进行因果发现

    本研究提出了一个基于代理变量的框架，通过观测因果发现算法估计两个静态实体之间的因果关系，并将其应用于自然语言中的词汇对，结果显示我们的方法可以发现 75％的因果关系并讨论了代理变量在机器学习中的作用。

    Feb, 2017

  • 使用代理变量识别未被测量混杂因素的因果效应

    通过利用估算原因变量的代理变量，即使是由于未观测到的变量导致的因果效应也可以进行非参数识别。同时，如果有至少两个独立代理变量满足特定排名条件，则可以进行非参数识别。如果只有一个代理变量或者不满足所需的排名条件，则可以通过开发一种方法来测试无因果效应的零假设。这个结论推广了 Kuroki & Pearl (2014) 的标识策略，并且不需要标识代理关系的度量误差机制。

    Sep, 2016

  • 向因果不变性正则化：带代理的线性模型

    我们提出了一种学习线性模型的方法，该方法可使预测性能对无法观测变量的因果干预具有鲁棒性，当这些变量的噪声代理可用时。

    Mar, 2021

  • 接近因果学习简介

    本文提出了一种正式的潜在结果框架，用于接受不完美的代理变量并解决观察性研究中因未测偏差而引起的因果推断问题。通过引入足够的条件来实现非参数识别，并给出了相应的算法进行估计，其中包括对点处理和时变处理设置的处理，以及给出了使用近端 g 计算方法计算因果效应的应用案例。

    Sep, 2020

  • 领域适应的代理方法

    我们研究了领域适应问题，该问题是由于未观察到的潜在变量分布改变所导致的分布偏移。我们的适应方法采用了近端因果学习，一种用于估计因果效应的技术，适用于存在未观察到的混淆变量代理的情况。我们证明了代理变量允许在不明确恢复或建模潜在变量的情况下适应分布偏移。我们考虑了两种情况：（i）概念瓶颈：观察到一个额外的 “概念” 变量，它介导了协变量和标签之间的关系；（ii）多领域：有来自多个源领域的训练数据，其中每个源领域对潜在混淆变量有不同的分布。我们在这两种情况下开发了一种两阶段核估计方法，以适应复杂的分布偏移。在我们的实验证明，我们的方法优于其他方法，尤其是那些明确恢复潜在混淆变量的方法。

    Mar, 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

  • 潜变量因果推断：最新进展与未来前景

    通过综述研究，我们对近期在潜变量条件下的因果推断相对于影响因素进行了全面的回顾，涵盖了因果效应估计、中介分析、反事实推理和因果发现等任务，并介绍了在大型语言模型时代下因果推断存在的新机会。

    Jun, 2024

  • 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

  • 基于文本数据的近端因果推断

    最近的基于文本的因果方法尝试通过将非结构化文本数据作为部分或不完全测量的混淆变量的代理来减轻混淆偏差。我们提出了一种新的因果推断方法，它使用两个零样本模型从预处理文本数据中推断出两个代理，并将这些代理应用于近端 g 公式中，从而解决了一个重要的未观测到的混淆变量的问题。我们证明了我们的基于文本的代理方法满足近端 g 公式所需的识别条件，而其他看似合理的提议则不满足。我们在合成和半合成环境中评估了我们的方法，并发现它产生了低偏差的估计。这种近端因果推断与零样本分类器的结合是新颖的（据我们所知），并扩展了可供实践者使用的文本特定的因果方法。

    Jan, 2024