Jun, 2023

从时间推移到同时迭代的因果发现：在潜在混淆因素存在的情况下

HTML
PDF
TL;DR提出了一种基于约束的算法，用于在存在潜在混杂因素的情况下从观测时间序列数据中学习因果结构，主要通过学习长期的时间关系优化因果图的结构，从而减少了所需统计测试的数量并在人造数据和真实数据上通过实验证明了其高准确性和更接近真实情况的因果图。
发现论文，激发创造
  • 在自相关非线性时间序列数据集中发现同时与滞后的因果关系

    介绍了一种基于条件独立性的方法，可以从观测时间序列中发现线性和非线性的滞后和同时因果关系。方法名为PCMCI$^+$, 可以优化条件集合的选择并从自相关中受益，具有更高的邻接检测能力和特别是更多的同时因果关系检测精度， 同时更好地控制假阳性。

    Mar, 2020

  • 摊销因果发现：从时间序列数据中学习推断因果图

    提出了一种基于共享动态的时序数据因果发现新框架，能够通过一个单一的学习模型有效识别不同样本之间的因果关系，从而在因果发现性能等方面取得了显著的提升，并可处理噪声和隐藏混淆等问题。

    Jun, 2020

  • 基于约束条件从少样本图中学习因果结构

    该研究论文提出了一种利用约束编程方法结合先前知识和理论洞见的实用方法，从而解决了时间序列数据中因果学习算法估计的图形结构提供高度误导性因果信息的问题，并且可以扩展到大型随机变量集合，并不需要精确知道时间尺度差异。

    May, 2022

  • 从观测时间序列推断扩展摘要因果图

    研究使用信息理论度量方法，在因果发现框架中使用PC和FCI算法构建基于任意延迟或瞬时关系的扩展摘要因果图，并通过模拟和真实数据集进行实验验证。

    May, 2022

  • CDANs: 自自相关和非平稳时间序列数据的时间因果发现

    该研究提出了一种新颖的基于约束条件的因果发现方法，用于自相关和非平稳时间序列数据中的模块变化检测和因果关系识别。

    Feb, 2023

  • 通过神经 ADMG 学习处理潜在混杂在因果推断中的作用

    本文提出了一种基于自回归流的ADM深度学习方法，用于处理存在潜在混淆的非线性功能关系，可以同时确定数据背后的复杂因果关系和估计其功能关系。

    Mar, 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

    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。

    May, 2023

  • OCDaf：使用自回归流进行有序因果发现

    我们提出了一种名为OCDaf的新型基于顺序的方法，用于从观测数据中学习因果图，并在多元异方差噪声模型中建立了因果图的可辨识性，通过连续搜索算法寻找因果结构，实验结果在Sachs和SynTReN基准测试中表现出了最先进的性能，并且在各种参数和非参数合成数据集上验证了可辨识性理论，展示了与现有基线方法相比的优越性能。

    Aug, 2023

  • 从时间序列数据中发现结构因果模型的混合物

    从混合不同因果模型的时间序列数据中，利用证据下界最大化的方法进行因果发现，经过实验证明在探测来自不同因果图的数据时，该方法优于现有基准模型。

    Oct, 2023

  • 半平稳时间序列的因果发现

    从非平稳时间序列中发现因果关系的算法PCMCI$\Omega$能够捕捉交替和循环的因果机制变化，并通过条件独立性测试识别出潜在的因果图。

    Jul, 2024