Jul, 2023

BayesDAG：用于因果发现的基于梯度的后验抽样

PDF
TL;DR基于随机梯度马尔可夫链蒙特卡洛 (SG-MCMC) 的可伸缩贝叶斯因果关系发现框架，无需任何有向无环图 (DAG) 正则化约束，直接从后验中采样有向无环图 (DAG)，同时绘制函数参数样本，适用于线性和非线性因果模型。基于合法的等价关系，我们首次应用基于梯度的 MCMC 采样用于因果关系发现。通过对合成数据集和真实世界数据集的实证评估，展示了我们方法与最先进基准模型的有效性。
bayesian causal discoveryposterior inferencenonlinear causal modelsstochastic gradient markov chain monte carloempirical evaluations
发现论文，激发创造
  • 面向可扩展的因果 DAGs 贝叶斯学习

    本文提出了贝叶斯因果推断的方法，其中用到了 MCMC 方法来进行图结构的采样，并得到了线性高斯 DAG 模型的因果效应估计。

    Sep, 2020

  • 贝叶斯网络的高效抽样和结构学习

    提出了一种新颖的混合方法，将基于约束和 MCMC 算法的两个领域结合起来，以高效地学习贝叶斯网络的有向无环图结构，并能对后验分布进行采样，从而实现全贝叶斯模型平均。

    Mar, 2018

  • 因果 DAG 模型中基于最小 I-MAP 的可扩展结构发现 MCMC 算法

    本文提出一种基于条件独立性检验的后验逼近方法，用于学习贝叶斯网络。相比于先前的基于顺序 MCMC 的方法，该方法能够实现更佳的精度、可伸缩性和混合采样效果，同时允许使用更多自然的结构先验并消除了对最大入度的时间依赖性。

    Mar, 2018

  • 变分因果网络：对因果结构进行近似贝叶斯推断

    本文提出了对基于结构性因果模型的图形变分推断的形式，通过参数化变分模型来模拟分布，并在参数数量与变量数量的指数无关的情况下进行可处理的训练。

    Jun, 2021

  • 动量驱动的因果结构学习：在有向无环图的 Markov 等价类上采样分布

    在推断贝叶斯网络结构（有向无环图，DAG）的背景下，我们设计了一种非可逆连续时间马尔可夫链，称为 “因果 Zig-Zag 采样器”，该采样器针对一类观测等效（Markov 等价）DAG 的概率分布。这些类别以完成的部分有向无环图（CPDAG）表示。非可逆马尔可夫链依赖于 Chickering 的贪婪等价搜索（GES）中使用的操作符，并以动量变量进行了改进，从实证结果上显示其混合效果显著。可能的目标分布包括基于 DAG 先验和 Markov 等价似然的后验分布。我们提供了一种高效的实现，其中我们开发了新的算法来列出、计数、均匀采样和应用 GES 操作符的可能移动，所有这些都显著改进了现有技术水平。

    Oct, 2023

  • 基于贝叶斯的从未知一般干预中发现因果关系

    学习因果有向无环图（DAG）的问题，使用观测和干预实验数据的组合进行研究，采用贝叶斯方法从一般干预中进行因果发现，通过图形特征化和兼容先验的贝叶斯推断保证不可区分结构的分数等价性，利用马尔可夫链蒙特卡洛（MCMC）拟合 DAG、干预目标和导致的父节点集合的后验分布，最后在模拟和真实蛋白质表达数据上评估了所提出的方法。

    Dec, 2023

  • 生成流网络的贝叶斯结构学习

    本研究提出了一种称为 DAG-GFlowNet 的方法，使用 Generative Flow Networks 代替 MCMC 来近似推断 Bayesian 网络结构的后验分布。实验结果表明，DAG-GFlowNet 能够提供准确的 DAG 后验近似，并且相对于 MCMC 或变分推断等方法具有优势。

    Feb, 2022

  • 动态规划与 MCMC 的贝叶斯结构学习

    本文研究了如何使用动态规划算法作为 DAG 空间中 MCMC 的提议分布，以在更短的时间内收敛于后验概率，从而实现更准确的结构学习和更高的测试数据预测似然。

    Jun, 2012

  • 通过状态增强与随机排列进行变分 DAG 估计

    从概率推断的角度来看，文章提出了一个解决贝叶斯网络的结构估计问题的方法，通过在一个扩展的有向无环图和排列空间上的联合分布进行后验估计，利用离散分布的连续松弛来利用变分推断，从而在一系列合成和实际数据集上胜过竞争性的贝叶斯和非贝叶斯基准模型。

    Feb, 2024

  • 通过逆协方差估计进行高维度线性因果网络学习

    本论文提出了一种新的基于统计估计的带有两个部分的框架，通过使用 moralized 图在 DAGs 中选择最佳得分的图。

    Nov, 2013