Oct, 2023

模型导向的强化学习在 DAG 空间的树搜索中的应用于因果关系发现

PDF
TL;DR通过树搜索的模型驱动增量式有向无环图建立，提出了一种基于因果关系的强化学习方法，并通过一个有效算法证明了排除引入循环边缘的正确性，实现了在有向无环图空间中更深层的离散搜索和抽样，为组合方法提供了有希望的进展。
发现论文，激发创造
  • 强化学习因果发现

    使用强化学习和编码器 - 解码器模型进行因果发现，生成图中的邻接矩阵以计算奖励，结合预定义分数函数和惩罚项强制保持无环性，提高图搜索能力和灵活性。

    Jun, 2019

  • 基于排序的强化学习因果探索

    本篇研究提出了一种新颖的基于强化学习 (RL) 的因果推断方法，通过将 RL 合并到基于排序的模式中，并通过一个编码器 - 解码器架构实现排序生成过程，并最终使用 RL 优化所提出的模型来处理生成的排序，以获得最终的因果图。在合成和真实数据集上的实验结果表明，所提出的方法比现有的 RL-based 方法具有更好的性能。

    May, 2021

  • 发现动态因果空间进行有向无环图结构学习

    提出了一个新的因果结构学习动态因果空间（CASPER），能够整合图结构作为因果空间中的新度量，以准确反映估计和真实 DAG 之间的因果距离，并通过自适应关注 DAG-ness 增强 DAG 结构学习。

    Jun, 2023

  • 有向无环图生成的深度 Q 学习

    利用深度强化学习，我们提出了一种生成有向无环图（DAGs）的方法，并能在高度稀疏的回报环境中生成满足特定拓扑与结点类型标准的有向边图。

    Jun, 2019

  • 用于因果发现的元强化学习算法

    本文中提出了一种利用元强化学习算法，通过学习干预变量的方法来进行因果发现并构建明确的因果图的方法，研究表明与现有最先进的方法相比表现出的结果更好，揭示了这种干预策略对于该方法性能的贡献。

    Jul, 2022

  • 基于顺序图的强化因果结构学习

    本研究提出了一种使用强化学习和顺序图来学习因果结构的方法，称为 RCL-OG。 在合成和基准数据集上的实验表明，RCL-OG 提供了准确的后验概率近似，并比竞争的因果发现算法取得了更好的结果。

    Nov, 2022

  • 基于导师的主动因果结构学习

    本研究介绍了带有辅助意见的主动因果结构学习问题，提出了一种新的搜索算法来回复有向无环图，其干预成本最多为验证图的成本的 O（max {1，logψ}）倍，其中 ψ 是 G 和 G * 之间的距离度量，当 G=G * 时恰好为 0。

    May, 2023

  • 在有向无环部分图的限制空间中搜索贝叶斯网络结构

    本文针对贝叶斯网络基于评分函数加搜索过程的局部搜索方法进行了改进，提出了一种利用有限无向结构图进行搜索的新的局部搜索方法，避免了在 DAG 空间中做出早期决策，减少了搜索空间的配置数量，提高了效率，同时在多个测试问题上验证了这种方法的优越性。

    Jun, 2011

  • 通过有向团树的因果 DAG 主动结构学习

    本研究提出了针对因果有向无环图（DAGs）的干预设计的通用下限，并基于有向团树将 DAG 分解成可独立定向的组件，从而证明在任何 EC 中定向任何 DAG 所需的单节点干预数至少是每个基本图的链组件中最大团大小的一半的总和。另外，我们还提出了一个两阶段干预设计算法，其性能符合以最大团个数的对数乘性为界限的最优干预数，并通过合成实验验证了我们的算法可以比大多数相关工作处理更大的图形并且获得更好的最坏情况性能。

    Nov, 2020

  • 有向无环图的高效学习在资源受限预测中的应用

    研究如何通过建立有向无环图的分类系统来减少测试时间的获取成本，将问题建模为经验风险最小化，通过减少全局目标实现动态编程，从而提高计算效率和性能。

    Oct, 2015