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

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
  • 通过逆协方差估计进行高维度线性因果网络学习

    本论文提出了一种新的基于统计估计的带有两个部分的框架，通过使用 moralized 图在 DAGs 中选择最佳得分的图。

    Nov, 2013

  • 用于贝叶斯因果发现的潜变量模型

    该研究探讨了从高维数据中学习因果表示的挑战性问题，并引入了一种基于潜变量解码器模型的贝叶斯因果发现方法，在半监督和无监督的情况下进行了实验，表明使用已知的干预目标能够帮助结构和参数的无监督贝叶斯推断。

    Jul, 2022

  • 学习具有潜在因素的时间序列的依赖关系图

    本文考虑学习基于样本的线性随机微分方程系统的依赖结构，特别是当一些变量是潜在变量时。我们开发了一种基于凸优化的新方法来解决这个问题。针对观测变量之间的依赖关系稀疏的情况，我们理论上建立了结构恢复的高维缩放结果，并通过合成和真实数据（来自股票市场）验证了我们的理论结果。

    Jun, 2011

  • 探究存在未观测混杂因素和非高斯数据的因果发现

    从多元观测数据中恢复因果关系结构，方法基于线性结构方程模型，可有效处理潜在混淆，并可通过无弓有向无环路径图恢复精确的因果结构。

    Jul, 2020

  • 自激励和相互激励时间序列的因果图探索

    提出一种泛化线性结构因果模型，通过新型数据自适应线性正则化，从时间序列中恢复因果有向无环图。

    Jun, 2021

  • 通过混合预言学习潜在因果关系图

    研究了在存在潜在变量的数据中重构因果图模型的问题，提出通过将其还原为混合预言机来确定潜在表示和潜在因果模型，从而揭示了混合模型顺序学习和可观测和不可观测之间的双分图结构学习问题之间的联系，并提供了几个重构完整图模型的算法。

    Jun, 2021

  • 潜变量因果模型中计算干预分布的高效算法

    本文介绍了一种可以计算由混合图表示的潜在变量因果模型的干预分布的算法，这个算法可以被看作是变量消除在混合图情况下的推广，并且在混合图的广义树宽度方面呈指数级别增长。

    Feb, 2012

  • 使用潜变量发现循环因果模型：一般的基于 SAT 算法的过程

    本文提出了一种非常通用的方法来学习因果模型的结构，该方法基于从任何给定的重叠的被动观察或实验性数据集获得的 d - 分离约束。此方法允许直接循环（反馈回路）和潜在变量的存在。我们的方法基于因果路径的逻辑表示，允许将相当通用的背景知识集成，推理是使用布尔满足（SAT）求解器执行的。该过程是完整的，因为它用尽了关于是否可以确定存在或不存在任何给定边缘的可用信息，否则返回 “未知”。许多现有的基于约束的因果发现算法可以看作是特殊情况，适用于一个或多个限制性假设的情况。模拟说明了这些假设对发现的影响以及现有算法的扩展能力。

    Sep, 2013

  • 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

  • 使用排名约束的潜在分层因果结构发现

    本文提出了一种估算过程，可以高效确定潜在变量的位置，确定它们的基数，并识别潜在的分层结构，同时考虑到多个变量之间的多条路径，使得提出的算法可以在合适的图结构限制下渐近地找到整个图的正确马尔科夫等价类。

    Oct, 2022