ID 算法在什么时候会失败?
本文研究了有向图表示的因果假设和以概率分布形式给出的统计知识对行为影响的阐明。在特定的情况下,我们感兴趣的是预测在一组变量上执行操作并随后对另一组变量进行测量所产生的条件分布。我们提供了一种必要且充分的图形条件,可用于唯一计算出这些分布的情况,同时还提供了一种算法。此外,我们使用我们的结果证明了对于相同的识别问题,do-calculus [Pearl, 1995] 是完备的。
Jun, 2012
本文考虑了允许潜变量存在的 s-ID 问题的拓展,通过将经典的图形定义扩展为新的对应关系来应对潜变量在亚群中存在时引发的挑战,并提出了一种针对具有潜变量的 s-ID 问题的可靠算法。
May, 2024
本文提出了针对单个处理和单个结果涉及种类繁多的隐藏变量有向无环图的人口水平因果效应的 influence function-based 估计器以及重要类别的隐藏变量 DAG,该类别在处理满足一个简单图形标准的情况下,生成调整和前门函数,同时还提供了统计模型的必要和充分条件。
Mar, 2020
本文主要研究的问题是通过 $do$-calculus 方法推断任意条件因果效应的可识别性问题,特别将正性假设显式引入,提出了相应的 sound and complete 算法,为 Lee et al. [2020] 和 Correa et al. [2021] 的研究工作进行了扩展,并不局限于观测分布 $P (V)$。
Jun, 2023
我们提出了一种迭代因果发现算法 (ICD),可在潜在混淆变量和选择偏差的情况下恢复因果图,并演示了 ICD 相较于 FCI、FCI + 和 RFCI 算法,需要更少的 CI 测试并学习更准确的因果图。
Nov, 2021
通过确定一组父节点的可识别性条件,本文提出了一种基于最优调整算法的学习贝叶斯网络的方法,使用 Hilbert-Schmidt 独立性准则进行优化问题,证明了高阶 HSIC 的增量属性,实验证明该算法在不同合成数据集和实际数据集上优于现有方法,在 Sigmoid 混合模型中,算法的结构干预距离(SID)比 CAM 算法小 329.7,表明该算法对图的估计缺少的边更少。
Aug, 2023
在子群体中的因果推断涉及确定干预对更大总体中特定子群体的因果效应。我们提出并倡导一种子群体中的因果推断问题(简称 s-ID),其中我们仅能访问目标子群体的观测数据(与整个总体相比)。现有的子群体推断问题基于所给数据分布源于整个总体的前提,因此无法解决 s-ID 问题。为了填补这一空白,我们提供了在因果图中必须满足的充分和必要条件,以确定从该子群体的观测分布中识别出子群体的因果效应。在给定这些条件的情况下,我们提出了一个对 s-ID 问题的完备的和可靠的算法。
Sep, 2023
该研究提出了一种基于高斯似然框架的有向无环图模型,用于联合建模观察数据和干预数据,以及通过 BIC 准则对干预马尔可夫等价类进行一致性估计,从而改善了干预数据的部分可鉴别性,提供更紧密的因果效应推断。
Mar, 2013