Jul, 2023

自我兼容性：无需基准事实进行因果关系探索的评估

PDF
TL;DR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。
causal discoverysimulated datacausal graphscausal relationscompatibility tests
发现论文，激发创造
  • 因果结构学习中的非线性、反馈与一致性

    寻找自动化搜索方法，从观察数据中学习因果结构；讨论潜变量和观察变量之间的因果联系以及它们之间的潜在模式和结构；提出了不同于高斯分布条件的 k - 三角性忠诚度的另一定义，可用于非高斯分布；轻松学习具有潜变量的因果结构的充分性假设。

    Aug, 2023

  • 因果发现中的假设违规和评分匹配的鲁棒性

    本研究对观测因果发现方法的实证表现进行了广泛的基准测试，发现基于分数匹配的方法在具有挑战性的情景中推断图的假阳性和假阴性率方面表现出令人惊讶的性能，并提供了理论洞察。该研究还首次尝试基于超参数值评估因果发现算法的稳定性。希望这篇论文能够为因果发现方法的评估树立新标准，并成为对该领域感兴趣的实践者的可访问入口，突出了不同算法选择的实证影响。

    Oct, 2023

  • 因果发现学习

    本研究测试了一种基于神经网络的数据驱动因果关系发现方法，证明其比现有的人工设计的方法在神经网络和医学数据中表现更优秀。结果表明在已知因果关系的大数据集的监督下，学习因果发现程序是改进神经学和医学数据中因果关系的新途径。

    Sep, 2022

  • 因果发现的样本复杂度及领域专业知识的价值

    本文分析了没有条件独立 (conditional independence) 武器下，因果探索算法的样本复杂度，以及领域专业知识在数据样本方面的价值，并通过数字实例证明了这些抽样率的准确性，并量化了稀疏先验和已知因果方向的好处。

    Feb, 2021

  • 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

  • 基于置换检验实现因果图的虚假性

    通过对结点进行排列组合，我们提出了一种新的一致性度量方法，从而评估有向无环图（DAG）的好坏，该方法可以帮助实践者判断 DAG 是否比随机分配更合适。我们在仿真数据和各种领域的实际数据集上进行评估，并表明该方法可以排除错误 DAG。

    May, 2023

  • 利用自动条件独立推理实现因果发现算法的运行时验证 (扩展版本)

    CICheck 是一种运行时验证工具，旨在通过可靠性和隐私角度对因果关系发现算法进行加固。CICheck 采用一种声音且可判定的编码方案，将条件独立性关系问题转化为 SMT 问题，并通过四阶段决策过程和三个轻量级优化措施高效解决问题。CICheck 包含两个变体：ED-CICheck 和 ED-CICheck，分别用于检测错误的条件独立性测试（以提高可靠性）和修剪过多的条件独立性测试（以提高隐私性）。

    Sep, 2023

  • 利用双变量因果发现集成重叠数据

    本文将双变量因果发现算法用于解决多数据集间有重叠变量时的一致因果结构学习问题，算法表现在合成和真实数据上都优于之前的方法。

    Oct, 2019

  • 因果发现技术的比较基准测试

    本文介绍了引人注目的因果发现算法，分为两大类：（1）假设无环和无潜变量，（2）允许循环和潜变量，并从结构准确性、标准预测准确性和反事实推理准确性三个方面对它们进行了实验比较。

    Aug, 2017

  • 利用较少条件独立性检验进行因果发现

    本研究旨在通过多项式数量的条件独立性测试来学习隐藏因果图的较粗糙表示，名为因果一致分区图（CCPG），它由顶点的一个分区和在其组件上定义的有向图组成，并满足方向性的一致性和其他有利于更细的分区的约束条件。此方法在因果图可识别的特殊情况下，通过多项式数量的测试，提供了首个有效的还原真实因果图的算法。

    Jun, 2024