Oct, 2023

使用最佳顺序分数搜索和增长缩小树快速可扩展精确发现有向无环图

PDF
TL;DR通过引入最佳次序得分搜索（BOSS）和增长 - 收缩树（GSTs）方法，我们在学习因果图过程中提出了一种有效的方法，其能够解决包含数百个高度连接变量的问题，例如从 fMRI 数据中恢复脑网络。通过在变量的排列组合上进行贪婪搜索，并使用 GSTs 来构建和评分有向无环图，BOSS 具有最先进的准确性和执行时间，可以在广泛的条件下与各种组合和基于梯度的学习算法相比较。我们还将 BOSS 应用于两组静息态 fMRI 数据，包括从随机经验 fMRI 皮层信号导出的伪经验噪声分布的模拟数据和处理成皮层分区的 3T fMRI 扫描的临床数据，结果证明了 BOSS 的实用性。BOSS 可在包括 Python 和 R 封装的 TETRAD 项目中使用。
发现论文，激发创造
  • 基于梯度的神经 DAG 学习

    本文提出了一种基于得分的方法，利用神经网络在连续约束优化理论的基础上，允许处理变量之间的非线性关系，用于学习有向无环图，相对于其他连续优化方法，这种方法在很多任务上表现更好，在因果推断的重要度量上与现有的贪婪搜索方法相比具有竞争力。在合成存储和真实世界数据集上进行了试验。

    Jun, 2019

  • 可扩展的因果发现与分数匹配

    本文介绍了如何通过观测非线性加性高斯噪声模型对数似然函数的二阶导数来发现整个因果图，利用可扩展的机器学习方法来逼近得分函数，扩展了 Rolland 等人的工作，仅从得分中恢复拓扑顺序并要求昂贵的修剪步骤，从而导致 DAS (Discovery At Scale) 算法，这是一个实用的算法，可以将修剪的复杂性降低到与图形大小成比例的因子。在实践中，DAS 算法可以实现与当前最先进的技术相当的准确性，而速度则快了一个数量级。总的来说，我们的方法实现了基于原则且可扩展的因果推断，显着降低了计算门槛。

    Apr, 2023

  • 从动态图中学习有向无环图结构

    本研究探讨了动态图数据上节点特征生成机制的学习问题，并提出了一种连续得分优化方法，名为 GraphNOTEARS，该方法有效地刻画了节点特征生成过程中的同时关系和时滞交互关系之间的 DAG 结构，可以在一个简洁的方式下展现特征生成过程。实验表明，该算法在模拟数据方面表现优异，并能够学习到来自真实世界数据集的节点之间的联系。

    Nov, 2022

  • 通过高阶 HSIC 以递增的信息学习非参数 DAGs

    通过确定一组父节点的可识别性条件，本文提出了一种基于最优调整算法的学习贝叶斯网络的方法，使用 Hilbert-Schmidt 独立性准则进行优化问题，证明了高阶 HSIC 的增量属性，实验证明该算法在不同合成数据集和实际数据集上优于现有方法，在 Sigmoid 混合模型中，算法的结构干预距离（SID）比 CAM 算法小 329.7，表明该算法对图的估计缺少的边更少。

    Aug, 2023

  • 基于最稀疏排列的有向无环图学习

    该研究提出了一种新的基于分数的算法（SP 算法）来学习贝叶斯网络或有向无环图（DAG）模型，该算法在弱于忠实性假设的条件下具有一致性保证，并且在一些小 DAG 的模拟中表现出与其他算法相比的优越性。

    Jul, 2013

  • 可微贝叶斯结构学习中的拓扑排序与保证无环约束

    通过结合拓扑排序的知识，我们提出了一种用于限制生成图的无环性的替代方法，该方法可以降低推理复杂度，同时确保生成的图的结构是无环的，并在模拟和真实数据的实证实验中表现优于相关的基于贝叶斯评分的方法。

    Sep, 2023

  • 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

  • 无眼泪的 DAGs：结构学习的连续优化

    本文提出了一种基于优化问题的连续方法，来解决结构学习问题，避免了组合约束，并有效地提高算法效率。该方法在没有强加任何结构假设的情况下，优于其它现有方法。

    Mar, 2018

  • GFlowCausal: 用于因果发现的生成式流网络

    提出了一种名为 GFlowCausal 的新方法，通过逐步添加直接边将图搜索问题转变为生成问题，从而从观测数据中学习一个有向无环图 (DAG)，并使用基于可传递闭包的即插即用模块确保高效的采样，理论分析表明，此模块能够有效地保证无环特性和最终状态与完全连接图之间的一致性，实验结果表明该方法具有显著优势，并且在大规模设置下也表现良好。

    Oct, 2022

  • KGS: 使用知识引导的贪心等价搜索进行因果发现

    本研究提出了一种利用知识约束来指导因果关系探索的新方法，该方法称为 KGS，通过使用观察数据和结构先验（因果边缘）对因果图进行约束学习，并在合成和基准真实世界数据集中广泛评估 KGS。实验结果表明，任何类型和数量的结构先验都有助于改善探索过程的性能和早期收敛。

    Apr, 2023