Jul, 2023

一种比较因果图的连续结构干预距离

PDF
TL;DR我们提出了一种基于嵌入干预分布的连续测量度量，用于衡量真实因果图与学习到的因果图之间的差异，该度量考虑了图结构之外的底层数据，通过最大（条件）均值差异来估计它们的差距。我们在合成数据上进行数值实验证实了我们的理论结果。
causal graphscausal inferenceinterventionsstructural hamming distanceconditional mean discrepancy
发现论文，激发创造
  • 用于评估因果图的结构干预距离（SID）

    本文提出了结构干预距离（SID）作为有向无环图（DAG）之间差别的一种度量方法，并与流行的结构汉明距离（SHD）相比较。该度量方法适用于计算干预的图形，并且可以比较部分完成的有向无环图（CPDAGs）的马尔可夫等价类。

    Jun, 2013

  • 通过比较干预分布评估因果模型

    通过测量干预估计的准确度来评估因果模型，并比较它与结构测量的结果，结果表明，结构测量往往与干预估计的准确度相差较远，因此建议使用干预分布的方法来评估因果模型，实证结果证实了结构测量在参数优化和算法选择上提供了误导。

    Aug, 2016

  • 调整识别距离：因果结构学习中的一个 Gadjid

    评估因果发现算法学习到的图形是困难的：两个图形之间不同的边的数量不反映它们在提供因果效应的标识公式方面的差异。我们介绍了一种开发图形之间因果距离的框架，其中包括有向无环图的结构干预距离作为一种特殊情况。我们利用这个框架开发了改进的基于调整的距离以及对已完成的部分有向无环图和因果顺序的扩展。我们开发了多项式时间可达性算法以高效地计算距离。在我们的包 gadjid（开源网址如上所示），我们提供了距离的实现；它们的速度比结构干预距离快几个数量级，从而为可扩展到以前禁止的图形规模的因果发现提供了成功度量。

    Feb, 2024

  • 因果距离之梯

    该研究提出了一种基于因果分布的距离计算方法来比较因果模型之间的距离，并将其用于对因果发现算法及其应用进行基准测试和评估。

    May, 2020

  • 适应性在线实验设计用于因果推断

    在线学习中基于干预样本历史的分离图系统相匹配的追踪停止因果发现算法优于现有方法，通过较少的样本实现更高准确性的因果图学习。

    May, 2024

  • 关于干预型 Kullback-Leibler 散度

    这篇研究论文介绍了一种新的方法，即干预 Kullback-Leibler（IKL）离散度，来量化因果模型之间的结构和分布差异，以提高在动态环境下的智能代理的转移知识能力。

    Feb, 2023

  • 干预数据的可微因果发现

    本文提出了一种新的方法，基于神经网络和流形变换，使用干预数据来学习因果有向无环图，该方法在多种情况下表现出与现有技术相媲美的灵活性和可行性。

    Jul, 2020

  • 使用主动干预的神经因果模型学习

    介绍了一种基于 AIT 的方法，可快速识别数据生成过程的基础因果结构。该方法可用于离散和连续优化公式，并在模拟到实际数据的多个基准测试中表现出卓越的性能。(Translation: An AIT-based method is introduced to quickly identify the underlying causal structure of the data-generating process, which is applicable for both discrete and continuous optimization formulations of learning the underlying directed acyclic graph from data, and demonstrates superior performance on multiple benchmarks from simulated to real-world data.)

    Sep, 2021

  • 通过小操作学习因果图

    该论文探讨了在 Pearl 的结构方程模型下使用有限干预学习因果网络的问题，并使用信息论方法研究了干预次数的下界，并提出了一种新的分离系统构造方法来学习弦图和任意骨架的因果方向。

    Oct, 2015

  • 使用干预学习和测试因果模型

    本文研究了因果贝叶斯网络上的测试和学习问题，并提出了有效的算法来测试两个未知因果贝叶斯网络的相似性和学习因果贝叶斯网络。

    May, 2018