因子图模型视角下的干预泛化

Jun, 2023

Intervention Generalization: A View from Factor Graph Models

Gecia Bravo-Hermsdorff, David S. Watson, Jialin Yu, Jakob Zeitler, Ricardo Silva

TL;DR本文利用因子图模型的语言，对干预因素模型 (IFM) 的可辨识性进行了分析，并通过实验数据来推导出 IFM 的必要和充分条件，以及实现将预期的结果推广到从未在数据中观察过的新条件的实用算法。

Abstract

One of the goals of causal inference is to generalize from past experiments and observational data to novel conditions. While it is in principle possible to eventually learn a mapping from a novel experimental condition to an outcome of interest, provided a sufficient variety of experi

causal inference experimental design factor graph models identifiability generalization

发现论文，激发创造

部分干预因果模型

该论文提出了一种基于单一世界干预图的因果推断方法，建立了一种允许特定变量干预的图模型，并提出了一种干预计算法则。

Oct, 2021

干预在何地、何种方式？大规模因果模型的实验设计

本文提出将 Bayesian 因果发现方法融入到贝叶斯优化实验设计框架中，可以在选择干预目标和值的同时，发现具有大规模、非线性结构因果模型的有效性已在合成图和基因调控网络数据集上得到验证。

Mar, 2022

条件生成模型足以从任何因果效应估计中进行抽样

通过条件生成模型的向前推导计算，我们展示了对于任意可识别因果效应的计算。基于此结果，我们设计了一种扩散基础的方法，在图像数据上从任意（条件）干预分布中采样。作为算法的应用，我们通过分析虚假相关性的强度和解耦的水平，对预先在 CelebA 数据集上训练的两个大型条件生成模型进行了评估。

Feb, 2024

分布泛化的因果框架

研究对于在测试和训练分布不同时的结构因果模型中预测响应变量和协变量之间关系的问题，提出了基于因果回归模型和最小化最坏风险的方法，并且介绍了一个配合数据实现最小化风险的框架和方法 NILE。

Jun, 2020

学习未知干预下非参数潜在因果图

本文介绍了一种在潜在空间中通过未知干预重建潜在因果图的方法，不需要进行参数假设，并且不需要已知潜在变量的数量，每个潜在变量最多只需要一个未知干预，通过引入虚集和孤立边的两个新图形概念，可构造性地证明了这种方法的可行性。

Jun, 2023

从一般非线性混合干预中学习线性因果表示

本文研究了从未知潜在干预中学习因果表征的问题，并且证明了在情形下强可辨识性，该情形中潜在分布是高斯分布，混合函数是完全一般化的。

Jun, 2023

因果插补用于反事实结构方程模型：连接图和潜在因子模型

我们介绍了一种基于 SCM 的模型类，其中结果以反事实形式表达，操作以对工具变量进行干预表示，并且上下文是基于系统初始状态定义的。我们展示了在 PRISM 药物重用数据集上评估了几种矩阵填补方法，并且我们的方法优于所有其他考虑的矩阵填补方法。

Feb, 2024

基于贝叶斯的从未知一般干预中发现因果关系

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

从未知干预中学习神经因果模型

本研究提出了一个基于连续优化和神经网络的框架，以创建联合观测和干预数据模型的方法，能在不知情干预变量的情况下获得强大的基准结果，包括从合成图和来自 Bayesian Network Repository 的标准图中恢复结构。

Oct, 2019

未知干预下因果表征的非参数识别

研究非参数学习中未知干预数据的因果表征学习，证明两个有关变量的观察分布和一次干预足以提供可识别性，同时说明了保留潜在变量之间因果影响的等价解决方案在绘制新数据的因果推论方面的合理性

Jun, 2023