弱分隔符及其在有目标因果推断中的应用

Oct, 2023

弱分隔符及其在有目标因果推断中的应用

Meek Separators and Their Applications in Targeted Causal Discovery

Kirankumar Shiragur, Jiaqi Zhang, Caroline Uhler

TL;DR学习因果结构及定向数据是一个根本性问题，具有广泛的应用领域。通过引入 Meek 分隔子，我们介绍了一种寻找具有小规模 Meek 分隔子的高效算法，用于部分搜索和因果匹配问题，从而实现对两个问题的对数逼近，并提供了首个已知的平均情况可证实保证。这为解决其他各种应用中出现的有目标因果结构学习问题的近乎最优方法的设计提供了可能性。

Abstract

Learning causal structures from interventional data is a fundamental problem with broad applications across various fields. While many previous works have focused on recovering the entire causal graph, in practice, there are scenarios where learning only part of the causal graph suffic

causal structures targeted causal discovery meek separator subset search causal matching

发现论文，激发创造

有向无环图中的快速因果方向学习

本文介绍一种新型的算法 ——Meek 函数，在解决多个 Causal Orientation Learning 问题方面具有显著的优势，同时提出一种基于动态规划的方法应用 Meek 函数，并据此推导了结果干预引起的边缘序数和一种校验有向边属于因果图的方法，实验结果表明这种方法在多个因果发现任务中具有更高的时间性能。

May, 2022

通过小操作学习因果图

该论文探讨了在 Pearl 的结构方程模型下使用有限干预学习因果网络的问题，并使用信息论方法研究了干预次数的下界，并提出了一种新的分离系统构造方法来学习弦图和任意骨架的因果方向。

Oct, 2015

因果图中的分离器和调整集：完备准则和算法框架

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

因果结构学习的预算实验设计

本文研究了在实验者最多进行 $k$ 个大小为 $1$ 的非自适应实验的情况下因果结构学习的问题。我们将寻找最佳干预目标集的问题制定为优化问题，旨在最大化解决方向的边的平均数量。我们证明了相应的目标函数是子模的，并且贪心算法足以实现最优值的 $(1-rac {1}{e})$- 逼近。我们进一步提出了一种加速的贪心算法变体，可以实现数量级的性能加速。我们在合成和真实图上验证了我们提出的方法。结果表明，与纯观测设置相比，我们的算法通过较少的干预将大部分边定向。

Sep, 2017

非目标干预下的因果发现

该研究论文提出了一种基于随机干预的因果发现模型，通过最小化干预次数来解决因果发现问题，提供了多对数竞争比的近似算法，并给出了一些初步实验结果。

Feb, 2024

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

基于频繁项集的搜索算法在复杂网络中寻找最小节点分隔集

本篇研究旨在寻找复杂网络中的最优关键节点，并提出了一种基于频繁项集的搜索方法来解决该问题，该方法结合了解决方案构建、人口修复、排名人口管理等模块，通过广泛评估表明其性能明显优于现有算法。

Jan, 2022

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

在高维结构假设空间上的因果发现与因果图分区

我们定义了一种新颖的因果图分区方法，利用超结构的概念对搜索空间进行划分，证明了使用因果图分区进行学习总是得到真实因果图的马尔可夫等价类，我们的算法在生物调节网络推断和其他高维结构假设空间中实现了可比较的准确性和更快的解决时间。

Jun, 2024

关于 D - 分离的不可能性

研究了因果发现中的 d-separation 算法在大型图上的适用性，提出了一种平均情况的分析方法，并分析了两种算法 PC Algorithm 和 UniformSGS 的性能。

Mar, 2023