Nov, 2023

通过协方差矩阵的乔列斯基分解恢复具有潜变量的线性因果模型

HTML
PDF
TL;DR通过从观测数据中恢复有向无环图（DAG）结构来发现因果关系是一个众所周知的挑战性组合问题。本文首先提出了一种基于观测数据协方差矩阵的Cholesky分解的DAG结构恢复算法，该算法快速易实现且具有精确恢复的理论保证。在合成和真实数据集上，该算法比先前的方法明显更快，并达到了最先进的性能。此外，在等误差方差假设下，我们将优化过程纳入基于Cholesky分解的算法中以处理带有潜在变量的DAG恢复问题。数值模拟表明，修改后的“Cholesky + 优化”算法能够在大多数情况下恢复出真实图，并且优于现有算法。
发现论文，激发创造
  • 多项式时间与样本复杂度内学习线性结构方程模型

    本文研究了从观察数据中学习线性结构方程模型（SEMs）的算法问题，旨在实现计算和统计效率，解决较一般的识别问题并没有考虑“信仰”假设的情形，提供了一个高效的算法，能够在不同噪声分布的情况下恢复SEM的有向无环图结构。

    Jul, 2017

  • 基于约束的非线性结构因果模型发现：循环和潜在混淆变量

    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

  • 混合有向无环图分布中因果结构的发现

    研究通过混合因果模型来获得分布，并探讨了如何从基于此类分布的样本中进行因果结构学习及如何使用这些信息对样本进行聚类。

    Jan, 2020

  • 在潜变量存在时使用整数规划进行因果结构学习

    本文提出了一种基于精确得分的方法来学习代表一组连续变量因果关系的祖先无环定向混合图，并通过整数规划公式求解，能够有效获得优秀结果，且优于现有基准方法。

    Feb, 2021

  • 在潜在混淆因素存在的情况下从不定数据中学习恢复因果关系

    本文提出了一种称作混淆分离因果发现算法（Confounding Disentanglement Causal Discovery，简称biCD）的方法，通过使用因果强度变分模型，将潜在变量作为中介变量来解决存在潜在变量的非确定数据情形下的因果关系发现问题。我们将结果用合成和实际数据进行了验证，证明了该方法的有效性。

    May, 2023

  • BayesDAG：用于因果发现的基于梯度的后验抽样

    基于随机梯度马尔可夫链蒙特卡洛(SG-MCMC)的可伸缩贝叶斯因果关系发现框架，无需任何有向无环图(DAG)正则化约束，直接从后验中采样有向无环图(DAG)，同时绘制函数参数样本，适用于线性和非线性因果模型。基于合法的等价关系，我们首次应用基于梯度的MCMC采样用于因果关系发现。通过对合成数据集和真实世界数据集的实证评估，展示了我们方法与最先进基准模型的有效性。

    Jul, 2023

  • 基于核的可微学习非参数有向无环图模型

    本研究解决了非参数因果模型中有向无环图（DAG）的学习问题，考虑到其组合搜索空间的复杂性。通过引入再生核希尔伯特空间（RKHS）和基于偏导数的稀疏正则化，提出了一种新的近似方法，并加强了对图的无环性约束，显示出其良好的稳定性和性能。该方法可能影响因果发现领域，提高模型选择的效率。

    Aug, 2024

  • 线性稀疏结构中的因果发现的诱导协方差

    本研究解决了因果建模中变量间线性稀疏关系的识别问题。提出了一种新颖的因果发现算法，这种算法依赖于结构矩阵的重构能力和统计属性，以确定正确的结构矩阵。研究结果表明，该方法在恢复线性稀疏因果结构方面超越了现有的其他方法，具有显著的应用潜力。

    Oct, 2024

  • LOCAL：利用方向矩阵从时间序列数据中推断因果结构

    本研究解决了从时间序列观察数据中发现潜在有向无环图（DAG）的挑战，特别是面对动态特性和复杂非线性交互的问题。提出的LOCAL方法通过构建准最大似然评分函数，首创性地实现了动态DAG的高效恢复，并通过适应性模块增强了无环性的代数特征。实验结果表明，LOCAL在性能上明显超越现有方法，展现出其在动态因果发现中的广泛应用潜力。

    Oct, 2024

  • LOCAL：利用方向矩阵从时间序列数据推断因果结构的学习

    该研究针对从时间序列观测数据中发现潜在有向无环图（DAG）的难题，提出了新方法LOCAL。通过引入准最大似然评分函数和两种适应性模块，LOCAL在捕捉动态因果结构和提高计算效率方面具有显著优势，实验结果表明其性能优于现有方法。

    Oct, 2024