Jun, 2023

iSCAN：非线性加性噪声模型中的因果机制转移识别

PDF
TL;DR本文研究如何在不确定模型图结构的情况下，通过识别函数机制变化来比较两个或多个相关结构因果模型。我们提出使用非线性加性噪声模型对各模型进行建模，并证明了使用混合分布的分数函数的雅可比矩阵可以用于识别非参数函数机制中的变化。在确认变化的因素后，我们进一步使用其他方法来估计变化的结构差异，以此来帮助理解在不同环境下各个变量的差异。
structural causal modelsfunctional mechanism shiftsnonlinear additive noise modelsshifted variablesstructural differences
发现论文，激发创造
  • 基于约束的非线性结构因果模型发现：循环和潜在混淆变量

    采用模块化结构因果模型 (mSCM)，引入了 sigma-connection graphs (sigma-CG)，成功实现了能够处理非线性功能关系、潜在混淆、循环因果关系和不同随机完美干预数据的因果发现算法。

    Jul, 2018

  • 使用级联非线性加性噪声模型进行因果关系发现

    提出了一种级联非线性加性噪声模型，可以发现难以被非线性加性噪声模型正确揭示的因果关系。该研究还在变分自编码器框架下提出一种方法来估计该模型并克服了实践中存在的一些问题。

    May, 2019

  • 从缓慢变化的非平稳过程进行因果推断

    通过时间可变滤波器和稳态噪声，利用非平稳性在双变量和网络设置中实现因果识别的一种新型受限结构因果模型，使用高阶和非平滑滤波器的各种合成和实际数据集评估了我们提出的方法的有效性。

    May, 2024

  • 通过加性模型和任意噪声进行得分匹配的因果发现

    本文研究因果关系发现方法，特别是用于非线性模型和高斯噪声假设的方法。提出了一种新的算法 NoGAM，可以在最少的前提条件下发现因果关系，并在合成数据上进行了实验基准测试。

    Apr, 2023

  • 混合加性噪声模型的因果推断与机制聚类

    本文提出一种基于混合模型的 Additive Noise Model (ANM)，并且通过 Gaussian Process Partially Observable Model (GPPOM) 加入独立性约束，可用于根据混合模型的生成机制进行因果推断和聚类。

    Sep, 2018

  • 标准化结构因果模型

    通过引入标准化操作，我们提出了内部标准结构因果模型（iSCMs），以解决结构因果模型数据中的方差和成对相关性增加的问题，并证明线性 iSCMs 在大系统中不会折叠成确定性关系，可能在超越所研究的基准问题的因果推断中是一个有用的模型。

    Jun, 2024

  • DirectLiNGAM: 一种学习线性非高斯结构方程模型的直接方法

    本文介绍了一种基于非高斯性的新的、无需迭代算法参数即可估计因果排序和连接强度的方法，该方法能够在少量的步骤内保证求解正确，能够处理连续变量之间的因果关系。

    Jan, 2011

  • 具有循环和潜变量的结构因果模型基础

    本研究主要在于探究具有潜在共变量和环路的结构因果模型，并证明其遵守特定可解性条件下的便利性质，这一工作将结构因果模型在具有周期的情况下进行了推广，从而提供了一般性的统计因果建模的基础。

    Nov, 2016

  • 学习潜在结构因果模型

    本文提出了一种基于贝叶斯推理的方法，在低级别数据的情况下学习维度高、SCM 结构和参数未知的高级因果变量，从而实现对潜在 SCM 的推断和图像生成。

    Oct, 2022

  • 将图神经网络与结构因果模型相关联

    本文通过建立结构性因果模型和应用图神经网络模型，提出了一种新的因果推断方法，并证明了该方法可以用于因果效果辨识。

    Sep, 2021