SLEM: 超学习器方程建模的路径建模和因果推理
机器学习与因果推断的新兴融合方法介绍,涵盖经典结构方程模型、其现代人工智能等价物有向无环图和结构性因果模型的思想,并使用现代预测工具来进行这些模型的推断。
Mar, 2024
本文研究了从观察数据中学习线性结构方程模型(SEMs)的算法问题,旨在实现计算和统计效率,解决较一般的识别问题并没有考虑 “信仰” 假设的情形,提供了一个高效的算法,能够在不同噪声分布的情况下恢复 SEM 的有向无环图结构。
Jul, 2017
本文提出了 Bayesian Causal Discovery Nets (BCD Nets),它是一个用于估计线性 - Gaussian SEM 中描述一个 DAG 的概率分布的变分推理框架。本框架采用了连续松弛,适当的先验分布以及表达力强的变分族等重要设计,旨在解决实际情况下对潜在图进行的不确定性估计问题。最终实验表明,与基于最大似然的方法相比,BCD Nets 在低数据环境下的结构 Hamming 距离等标准因果分析评估指标上表现更好。
Dec, 2021
我们提出了一种基于提升的方法来从观察数据中学习加法结构方程模型 (SEMs),重点研究确定变量之间因果顺序的理论方面。我们引入了一族基于任意回归技术的得分函数,并建立了一些必要条件,以一致地优选真实的因果顺序。我们的分析揭示了提前停止的提升在满足这些条件的同时,提供了一个一致的因果顺序得分函数。为了解决高维数据集带来的挑战,我们通过分量梯度下降在加法 SEMs 空间进行了适应。我们的模拟研究验证了我们在低维度下的理论结果,并证明我们的高维适应与最先进的方法相竞争。此外,它对超参数的选择表现出鲁棒性,使得该方法易于调整。
Jan, 2024
本文介绍了如何在制造领域中通过先前知识和过程数据的结合使用结构方程模型来推导因果关系,与现有应用程序相比,我们不假定线性关系,从而得到更丰富的结果。
Oct, 2022
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
迭代式 LLM 监督 CSL(ILS-CSL)框架通过将基于 LLM 的因果推理与 CSL 相结合,并从 LLM 中获得反馈,从而改进了因果有向无环图(DAG)的学习,提供了更强效的因果发现方法,并在八个真实世界数据集上的综合评估中表现出优越的性能,展示了其推动因果发现领域进步的潜力。
Nov, 2023