Jun, 2023

$ exttt {causalAssembly}$: 生成逼真的生产数据以进行因果关系发现的基准测试

PDF
TL;DR本研究通过收集来自装配线的复杂数据集，建立了一个半合成制造数据的系统，通过分析其中的因果关系和使用 Python 库 causalAssembly 进行了多种因果推理算法的基准测试，以验证别人的因果关系学习算法在真实数据中的正确性和有效性。
causal discoverynonparametric methodsdata validationsemisynthetic datacausal discovery algorithms
发现论文，激发创造
  • RealCause: 真实因果推断基准测试

    该研究论文使用灵活的生成模型提供基准，既可以提供因果效应的真实值，又可以代表真实数据，评估了 1500 多种不同的因果效应估计器，并提供证据表明使用预测指标选择因果效应估计器的超参数是合理的。

    Nov, 2020

  • CausalPlayground: 应对前沿因果性研究中的数据生成需求

    通过引入 CausalPlayground，我们解决了当前数据生成库的不足之处，提供了一个标准化的平台用于生成、采样和共享结构性因果模型，从而促进了该领域中更高效和可比较的研究。

    May, 2024

  • CausalTime: 用于因果发现基准测试的现实生成时间序列

    使用 CausalTime 流程生成类似真实数据的时间序列，带有地面真实因果图以量化性能评估，该方法为实际应用中评估时间序列因果发现算法提供了可行的解决方案，并可泛化到广泛领域。

    Oct, 2023

  • 借助有效的非线性因果发现提升合成数据生成

    本文设计了一种合成数据集生成器，用于生成能够在生成时间发现变量之间非线性因果关系的表格数据的合成数据集，并根据在常见模式中有效检索的特征限制因果发现，通过广泛的实验表明所提出的方法的有效性。

    Jan, 2023

  • 复杂工业系统中的因果发现：一个时序基准

    通过从专家知识构建的因果图，我们提供了一个测试平台，用于从复杂系统的时间序列观测中进行因果推断，我们相信这可以为因果推断方法的发展提供帮助。

    Oct, 2023

  • 因果室：作为人工智能方法论实验台的真实物理系统

    通过构建名为因果室的计算机控制实验室，研究人员可以在各个领域中快速、廉价地生成大量来自非平凡但易理解的物理系统的数据集，并提供一种丰富的算法测试平台，解决因果发现、分布外泛化、变点检测、独立成分分析和符号回归等问题。

    Apr, 2024

  • 因果推断分析性能评估基准框架

    本文介绍了一个综合框架，用于对评估算法进行基准测试，它包括用于预测的未标记数据、用于验证的标记数据以及使用已建立和新颖指标进行算法预测的自动评估的代码，并解决了缩放和数据屏蔽问题。

    Feb, 2018

  • CIPCaD-Bench: 用于因果发现方法基准测试的连续工业过程数据集

    为了推动数据驱动的因果关系探测（CD），这项工作引入了两个新的连续制造过程的公共数据集，并提出了一种基于不同度量标准的基准测试程序，以评估广泛的 CD 算法，从而在现实条件下测试 CD 方法并选择适用于特定目标应用的最合适方法。

    Aug, 2022

  • 样本、估计、聚合：引发因果发现基础模型的一种方法

    基于经典算法运行在较小变量子集上的深度学习模型识别因果结构，达到了与现有模型相比具有数量级更快的推理速度，具备针对合成和真实数据集的最先进性能，并能概括到在训练期间未见过的数据生成机制。

    Feb, 2024

  • 自我兼容性：无需基准事实进行因果关系探索的评估

    通过测试不兼容性来检测错误推断的因果关系，以支持因果模型的选择，并提供了因果发现算法在模拟数据中的评估方法。

    Jul, 2023