KDDJun, 2023

发现动态因果空间进行有向无环图结构学习

PDF
TL;DR提出了一个新的因果结构学习动态因果空间（CASPER），能够整合图结构作为因果空间中的新度量，以准确反映估计和真实 DAG 之间的因果距离，并通过自适应关注 DAG-ness 增强 DAG 结构学习。
causal discoveryscore-based dag learnerscaspergraph structureadaptive attention
发现论文，激发创造
  • 从动态图中学习有向无环图结构

    本研究探讨了动态图数据上节点特征生成机制的学习问题，并提出了一种连续得分优化方法，名为 GraphNOTEARS，该方法有效地刻画了节点特征生成过程中的同时关系和时滞交互关系之间的 DAG 结构，可以在一个简洁的方式下展现特征生成过程。实验表明，该算法在模拟数据方面表现优异，并能够学习到来自真实世界数据集的节点之间的联系。

    Nov, 2022

  • 强化学习因果发现

    使用强化学习和编码器 - 解码器模型进行因果发现，生成图中的邻接矩阵以计算奖励，结合预定义分数函数和惩罚项强制保持无环性，提高图搜索能力和灵活性。

    Jun, 2019

  • 从因果对到因果图

    通过概率分布和因果关系特征，提出了一种计算效率高的因果结构学习方法，并在合成和真实数据集上进行了验证。

    Nov, 2022

  • 基于导师的主动因果结构学习

    本研究介绍了带有辅助意见的主动因果结构学习问题，提出了一种新的搜索算法来回复有向无环图，其干预成本最多为验证图的成本的 O（max {1，logψ}）倍，其中 ψ 是 G 和 G * 之间的距离度量，当 G=G * 时恰好为 0。

    May, 2023

  • 你喜欢有向无环图吗？关于结构学习和因果推断的调查

    本文回顾和综述了有关因果推理及结构发现方法的背景理论，重点介绍了现代连续优化方法，并提供了参考资源如基准数据集和软件包。最后，我们还讨论了从结构到因果所需要的假设性跳跃。

    Mar, 2021

  • 在有向无环图上进行多邻域协同学习

    通过开发一种新的基于约束的方法，该方法用于估计多个用户指定目标节点周围的局部结构，从而在邻域之间实现结构学习协调，进而促进无需学习整个有向无环图结构的因果发现。实验结果表明，我们的算法在学习邻域结构时具有更高的准确性，且计算成本较低于传统方法。

    May, 2024

  • GFlowCausal: 用于因果发现的生成式流网络

    提出了一种名为 GFlowCausal 的新方法，通过逐步添加直接边将图搜索问题转变为生成问题，从而从观测数据中学习一个有向无环图 (DAG)，并使用基于可传递闭包的即插即用模块确保高效的采样，理论分析表明，此模块能够有效地保证无环特性和最终状态与完全连接图之间的一致性，实验结果表明该方法具有显著优势，并且在大规模设置下也表现良好。

    Oct, 2022

  • 基于梯度的神经 DAG 学习

    本文提出了一种基于得分的方法，利用神经网络在连续约束优化理论的基础上，允许处理变量之间的非线性关系，用于学习有向无环图，相对于其他连续优化方法，这种方法在很多任务上表现更好，在因果推断的重要度量上与现有的贪婪搜索方法相比具有竞争力。在合成存储和真实世界数据集上进行了试验。

    Jun, 2019

  • 低秩有向无环图与因果结构学习

    通过利用有向无环图 (DAG) 因果模型的低秩假设，本文提出了一种新的方法来缓解在高维度设置中学习表示 DAG 的因果结构的问题，提供了图形条件和现有方法的适应性，并提供了经验证据支持低秩算法的实用性。

    Jun, 2020

  • 模型导向的强化学习在 DAG 空间的树搜索中的应用于因果关系发现

    通过树搜索的模型驱动增量式有向无环图建立，提出了一种基于因果关系的强化学习方法，并通过一个有效算法证明了排除引入循环边缘的正确性，实现了在有向无环图空间中更深层的离散搜索和抽样，为组合方法提供了有希望的进展。

    Oct, 2023