Oct, 2023

因果发现中的假设违规和评分匹配的鲁棒性

PDF
TL;DR本研究对观测因果发现方法的实证表现进行了广泛的基准测试，发现基于分数匹配的方法在具有挑战性的情景中推断图的假阳性和假阴性率方面表现出令人惊讶的性能，并提供了理论洞察。该研究还首次尝试基于超参数值评估因果发现算法的稳定性。希望这篇论文能够为因果发现方法的评估树立新标准，并成为对该领域感兴趣的实践者的可访问入口，突出了不同算法选择的实证影响。
observational causal discovery methodscausal structureempirical performancescore matching-based methodscausal discovery algorithms
发现论文，激发创造
  • 自我兼容性：无需基准事实进行因果关系探索的评估

    通过测试不兼容性来检测错误推断的因果关系，以支持因果模型的选择，并提供了因果发现算法在模拟数据中的评估方法。

    Jul, 2023

  • 从因果对到因果图

    通过概率分布和因果关系特征，提出了一种计算效率高的因果结构学习方法，并在合成和真实数据集上进行了验证。

    Nov, 2022

  • 祖先因果推断

    提出一种通过利用更粗粒度的原因信息表示来降低搜索空间的组合爆炸，从而极大地减少计算时间，并根据信心对原因预测进行评分的新方法，证明了方法的正确性和渐近一致性，并证明了该方法在合成数据上的优越性能，并将其应用于具有挑战性的蛋白数据集中。

    Jun, 2016

  • 基于经验贝叶斯方法的鲁棒性基于约束因果发现在不充足数据下的应用

    通过引入贝叶斯 - augmented 的频率独立性检验方法，可以解决数据量不足的问题来改善局限于有限数据的约束性因果发现方法的性能，由实验也表明相比于目前最佳方法在精确度和效率方面都有显著提高。

    Jun, 2022

  • 因果发现的样本复杂度及领域专业知识的价值

    本文分析了没有条件独立 (conditional independence) 武器下，因果探索算法的样本复杂度，以及领域专业知识在数据样本方面的价值，并通过数字实例证明了这些抽样率的准确性，并量化了稀疏先验和已知因果方向的好处。

    Feb, 2021

  • 对于分数匹配的样本复杂度界限：因果发现和生成建模

    本文提供了得分匹配（Score-Matching）及其在因果发现中的应用的统计样本复杂性界限。我们证明了通过使用随机梯度下降训练标准的深度 ReLU 神经网络可以实现对得分函数的准确估计。我们建立了在得分匹配方法中基于 Rolland 等人 [2022] 的因果发现方法中恢复因果关系的错误率的界限，假设得分函数的估计足够好。最后，我们分析了得分匹配估计在基于得分的生成建模中的上界，这在因果发现领域中既有独立的兴趣，又有独立的生成模型。

    Oct, 2023

  • 因果发现技术的比较基准测试

    本文介绍了引人注目的因果发现算法，分为两大类：（1）假设无环和无潜变量，（2）允许循环和潜变量，并从结构准确性、标准预测准确性和反事实推理准确性三个方面对它们进行了实验比较。

    Aug, 2017

  • A * 算法因果发现中的领域知识

    本篇论文探讨如何在基于 A * 方法的因果关系发现中高效地整合多种类型的专家领域知识以减少图形搜索空间，并提供了潜在的计算增益分析。作者通过合成数据和真实数据的实验支持这些发现，表明即使少量领域知识都可以极大地提高 A * 方法的效率和实用性。

    Aug, 2022

  • 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

  • 个性化学生学习的因果发现与反事实解释

    通过因果发现技术，本研究着重于确定学生表现的原因，以提供个性化的改进方法；通过识别因果预测因素并应用对照分析来提供个性化建议；在教育背景中使用因果推断的挑战、益处和限制得到了详细描述。

    Sep, 2023