因果规范流:从理论到实践
本文介绍了自回归归一化流和可辨识因果模型之间的内在对应关系,证明归一化流模型适用于执行多种因果推理任务,从因果发现到进行干预和反事实预测。作者通过一系列实验验证了所提出的方法优于当前的因果发现方法,并可以精确地进行干预和反事实预测。
Nov, 2020
本文提出了一种名为因果图标准化流(causal-Graphical Normalizing Flow,c-GNF)的方法,旨在促进个性化公共政策分析(P3A)的实现,讨论了传统方法在计数事实推断方面的局限性,并展示了 c-GNF 方法在因果推断效果上的优越性。
Feb, 2022
引入因果图归一化流(causal-graphical normalizing flows, cGNFs)这一新方法,该方法利用深度神经网络对以有向无环图(directed acyclic graphs, DAGs)表示的理论进行经验评估,模型所显示的数据的完整联合分布,而无需对函数形式进行严格的假设,从而可以对由 DAGs 确定的任何因果估计量进行灵活的半参数估计,包括总效应、条件效应、直接和间接效应以及路径特定效应。
Jan, 2024
这篇论文探讨了利用自回归流模型进行因果推断任务,包括因果关系发现、干预预测和反事实预测,并提出了一种新的流结构来执行所有三个任务,该方法在综合数据和基准数据集上得到了有效验证。
Jul, 2020
提出了一种基于 VAE 的生成模型,该模型联合训练了基于正则化流的潜在空间分布和到观察到的离散空间的随机映射,解决了直接对离散序列应用正则化流所面临的挑战,并具有可比拟的性能和流灵活性。
Jan, 2019
本文介绍一种针对分类数据的正则化流方法,利用可变推理将分类数据的编码转换为连续空间,并使用分解器解决正则化流中包含的潜在关系和相互作用。基于这种方法提出了 GraphCNF,是一种置换不变的图形生成模型,并在分子生成上表现优于现有方法。
Jun, 2020
我们通过使用梯度的有效估计器来克服了正规化流设计受到解析可逆性需求的约束,并实现了任意保持维度的神经网络作为最大似然训练的生成模型,在分子生成基准测试中取得了出色的结果,同时采用现成的 ResNet 架构在一个反问题基准测试中具有竞争力。
Oct, 2023