Aug, 2023

OCDaf：使用自回归流进行有序因果发现

PDF
TL;DR我们提出了一种名为 OCDaf 的新型基于顺序的方法，用于从观测数据中学习因果图，并在多元异方差噪声模型中建立了因果图的可辨识性，通过连续搜索算法寻找因果结构，实验结果在 Sachs 和 SynTReN 基准测试中表现出了最先进的性能，并且在各种参数和非参数合成数据集上验证了可辨识性理论，展示了与现有基线方法相比的优越性能。
发现论文，激发创造
  • 使用连续加性噪声模型进行因果推断

    研究学习因果有向无环图从观察到的联合分布，探索一种基于结构方程模型的可识别因果图的替代方法，并提供针对有限样本的实用算法和实证研究。

    Sep, 2013

  • 因果自回归流

    本文介绍了自回归归一化流和可辨识因果模型之间的内在对应关系，证明归一化流模型适用于执行多种因果推理任务，从因果发现到进行干预和反事实预测。作者通过一系列实验验证了所提出的方法优于当前的因果发现方法，并可以精确地进行干预和反事实预测。

    Nov, 2020

  • 异方差因果结构学习

    本研究旨在解决具有异方差噪声的因果结构学习问题。通过利用因果机制的正态性，我们可以恢复一个有效的因果排序，并使用一系列条件独立性检验唯一地识别因果有向无环图。结果是 HOST（异方差因果结构学习），一种简单而有效的因果结构学习算法，可以在样本大小和维度上呈多项式规模扩展。通过广泛的实证评估，我们展示了 HOST 方法在因果顺序学习和结构学习问题上与最先进的方法相比具有竞争力。

    Jul, 2023

  • 可识别异方差噪声模型下的因果发现

    基于连续优化框架通过引入松弛且可实现的充分条件，证明了一类可辨识的结构方程模型 (SEM)，在此基础上提出了一种新颖的有法考虑噪声方差变异的 DAG 学习方法，并设计了一个有效的两阶段迭代算法来解决优化困难，实现对具有异方差变量噪声和不同方差的数据的因果 DAG 学习。在合成数据和实际数据上，实验结果显示该方法明显优于现有方法。

    Dec, 2023

  • 自回归流的因果发现和推断

    这篇论文探讨了利用自回归流模型进行因果推断任务，包括因果关系发现、干预预测和反事实预测，并提出了一种新的流结构来执行所有三个任务，该方法在综合数据和基准数据集上得到了有效验证。

    Jul, 2020

  • 自激励和相互激励时间序列的因果图探索

    提出一种泛化线性结构因果模型，通过新型数据自适应线性正则化，从时间序列中恢复因果有向无环图。

    Jun, 2021

  • 带有局部搜索的混合全局因果发现

    在观测数据中进行因果发现是一项具有挑战性的任务，本研究提出了一种新颖的混合方法，结合局部因果子结构，通过引入拓扑排序算法和非参数约束算法，在线性和非线性设置中实现了全局因果推断，并在合成数据中进行了验证。

    May, 2024

  • 因果规范流：从理论到实践

    本研究探讨使用归一化流进行因果推理，在实验证明了基于归一化流的原因模型可以回答干预和反事实问题。

    Jun, 2023

  • 可解释自适应优化的联邦因果学习

    通过联邦因果发现策略 (FedCausal) ，在去中心化的异构数据中学习统一的全局因果图，不暴露本地数据，解决非独立同分布数据的问题。

    Dec, 2023

  • 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