Nov, 2023

学习带干预的线性高斯多树模型

PDF
TL;DR本研究介绍了一种基于干预实验数据的一致且可扩展的本地方法，用于学习线性高斯多叉树的因果结构。该方法首先学习多叉树的骨架，然后定向其边缘，输出为代表真实潜在分布的多叉树的干预等价类的 CPDAG。我们使用二阶统计和低维边缘分布来实现骨架和定向恢复过程。通过对合成数据集的不同情景进行性能评估，并将算法应用于基因表达干预数据集，我们的模拟研究表明我们的方法快速且准确度高，能处理包含数千个节点的问题。
causal structurelinear gaussian polytreeinterventional experimentscpdaggene expression
发现论文，激发创造
  • 高斯（多项式）树的最优估计

    我们研究了学习无向高斯树和有向高斯多叉树的最优算法，考虑了分布学习和结构学习两个问题，通过推导出显式的有限样本保证并给出匹配的下界证明两种方法的最优性，同时进行了数值实验以比较各种算法的性能表现。

    Feb, 2024

  • 因果图的成本最优学习

    考虑有干预的变量集合的因果图学习问题，研究了在给定骨架的情况下设计最小总代价的干预集合，以唯一确定具有该骨架的任何因果图的成本最优因果图学习问题，并证明该问题可以在多项式时间内求解，针对干预数量有限的情况，我们提供了树或团树骨架的情况下的多项式时间算法，对于一般弦图骨架，我们开发了一个高效的贪心算法，当因果图骨架是区间图时，可以改进算法。

    Mar, 2017

  • 基于置换的因果结构学习（未知干预目标）

    针对部分或完全未知的干预目标的混合观测和干预数据的因果 DAG 模型估计问题，本文提出一个算法来寻找干预马可夫等价类，此算法采用贪心策略在排列空间中搜索以最小化新的分数函数，同时该算法是无参数的，因此适用于非线性关系和非高斯分布的情况，性能表现已被验证。

    Oct, 2019

  • 基于排列的带干预因果推断算法

    本文提出了两种利用观测和介入数据学习基因调控网络的算法，并证明了这两种算法在符合无偏性假设的情况下均具有一致性保证。同时，这些算法具有非参数性质，适用于分析非高斯数据。本文还对这两种算法在模拟数据，蛋白质信号数据和单细胞基因表达数据上的性能进行了分析。

    May, 2017

  • 学习已知骨干的有界度多叉树

    有限样本保证 + 边界度多树 + 高效算法 + 政权时间和样本复杂度 + 信息理论样本复杂度下界

    Oct, 2023

  • 基于贝叶斯的从未知一般干预中发现因果关系

    学习因果有向无环图（DAG）的问题，使用观测和干预实验数据的组合进行研究，采用贝叶斯方法从一般干预中进行因果发现，通过图形特征化和兼容先验的贝叶斯推断保证不可区分结构的分数等价性，利用马尔可夫链蒙特卡洛（MCMC）拟合 DAG、干预目标和导致的父节点集合的后验分布，最后在模拟和真实蛋白质表达数据上评估了所提出的方法。

    Dec, 2023

  • 从干预数据中主动学习因果模型的两种最优策略

    本文提出了两种基于最优实验设计策略的主动学习方法，用于求解因果 DAG 的最优干预目标，以改进因果 DAG 的边缘识别。其中第二种策略在多项式时间内得到任意大小的最小目标集，保证因果 DAG 的全识别。在模拟研究中，两种主动学习方法与随机干预进行比较，并分析估计误差对主动学习性能的影响。

    May, 2012

  • 学习未知干预下非参数潜在因果图

    本文介绍了一种在潜在空间中通过未知干预重建潜在因果图的方法，不需要进行参数假设，并且不需要已知潜在变量的数量，每个潜在变量最多只需要一个未知干预，通过引入虚集和孤立边的两个新图形概念，可构造性地证明了这种方法的可行性。

    Jun, 2023

  • 混合有向无环图中的干预因果发现

    通过干预来学习混合因果模型中变量之间的因果关系是一项具有挑战性的任务，本文提出了匹配性的必要和充分条件以及一种自适应算法，用于学习混合因果模型中的所有真实边，具有最佳干预效果并在混合模型不包含循环关系时尺寸最小。

    Jun, 2024

  • 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