本文介绍了一个可以通过样本数据推理带循环因果图的因果结构的发现算法,并给出了正确性条件,该算法是稀疏图上的多项式。
Feb, 2013
本文提出了一种基于祖先图的算法框架,用于有效地测试,构建和枚举$m$-分隔符,从而较高效地进行非实验数据中因果效应的识别,同时还证明了通过协变调整进行因果效应识别与$m$分离在有向无环图及最大祖先图中的一个子图的规约,并利用这些结果,得出一种刻画所有调整集以及在存在潜在混淆因素的多元曝光及结果的期望因果效应识别的所有最小和最小调整集的构造性条件,为这些问题的特殊情况提供了现有解决方案的扩展。
Feb, 2018
采用模块化结构因果模型(mSCM),引入了sigma-connection graphs (sigma-CG),成功实现了能够处理非线性功能关系、潜在混淆、循环因果关系和不同随机完美干预数据的因果发现算法。
Jul, 2018
研究使用信息理论度量方法,在因果发现框架中使用PC和FCI算法构建基于任意延迟或瞬时关系的扩展摘要因果图,并通过模拟和真实数据集进行实验验证。
May, 2022
本文提出了两个新的混合约束式和基于噪声的方法的框架,可以发现可能包含循环的摘要因果图。提供了两种混合算法,并在模拟数据,真实生态数据和各种应用程序的真实数据上进行了实验测试,结果表明,我们的混合方法具有稳健性,并在大多数数据集上产生良好的结果。
Jun, 2023
从混合不同因果模型的时间序列数据中,利用证据下界最大化的方法进行因果发现,经过实验证明在探测来自不同因果图的数据时,该方法优于现有基准模型。
Oct, 2023
通过观察性时间序列研究干预的总效应的可识别性问题,我们考虑了系统的因果图的两种抽象:扩展摘要因果图和摘要因果图。我们证明总效应在扩展摘要因果图中始终是可识别的,并提供了摘要因果图中可识别性的必要和充分图形条件。此外,我们提供了可调整的集合,可在总效应可识别时估计总效应。
基于观察数据的因果推断核心是确定可靠的因果图。本文研究表明,仅凭因果顺序而非完整图信息便足以进行因果效应推断。同时,我们利用大型语言模型(LLMs)作为虚拟领域专家,提出了一种从LLMs中获取因果顺序的鲁棒技术。实验证明,与传统的发现算法相比,我们的方法显著提高了因果顺序的准确性,突显了LLMs在各个领域增强因果推断的潜力。
使用摘要因果图从观测数据中确定总效应的充分图形条件,即使存在隐藏的混杂和没有足够的变量集进行调整,也有助于从观测数据中理解和估计因果效应的持续努力。
Jun, 2024
该研究论文探讨了动态系统中因果关系的理解,并提出了简化的因果关系表示方法,摒弃了时间信息并集中于高层次因果结构,在此基础上研究了宏观查询和微观查询的条件独立性以及因果效应的鉴别方法。
Jul, 2024