潜在类别混淆下的因果发现

Nov, 2023

Causal Discovery under Latent Class Confounding

Bijan Mazaheri, Spencer Gordon, Yuval Rabani, Leonard Schulman

TL;DR使用有向无环图来建模系统的因果结构。在多个数据源（群体或环境）的数据聚合中，全局混淆模糊了许多因果发现算法中的条件独立性属性。因此，现有的因果发现算法不适用于多源设置。我们证明，如果混淆的基数有限（即数据来自有限数量的源），仍然可以实现因果发现。该问题的可行性取决于全局混淆因素的基数、观测变量的基数和因果结构的稀疏程度的权衡。

Abstract

directed acyclic graphs are used to model the causal structure of a system. ``causal discovery'' describes the problem of learning this structure from data. When data is an aggregate from multiple sources (popula

directed acyclic graphs causal discovery multiple-source setting confounding sparsity of causal structure

发现论文，激发创造

带有局部搜索的混合全局因果发现

在观测数据中进行因果发现是一项具有挑战性的任务，本研究提出了一种新颖的混合方法，结合局部因果子结构，通过引入拓扑排序算法和非参数约束算法，在线性和非线性设置中实现了全局因果推断，并在合成数据中进行了验证。

May, 2024

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

利用有向因果发现技术检测潜在共因变量

本文提出了一种探测变量之间潜在共同原因的因果发现算法，并将其应用于两个有向因果发现算法的实验中。结果表明，该算法可以探测到已知的共同原因，并保留原始算法在区分有向因果关系方面的性能

Oct, 2019

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

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

有向循环图的发现算法

本文介绍了一个可以通过样本数据推理带循环因果图的因果结构的发现算法，并给出了正确性条件，该算法是稀疏图上的多项式。

Feb, 2013

在潜在混淆因素和选择偏差可能存在的情况下进行迭代因果分析

我们提出了一种迭代因果发现算法 (ICD)，可在潜在混淆变量和选择偏差的情况下恢复因果图，并演示了 ICD 相较于 FCI、FCI + 和 RFCI 算法，需要更少的 CI 测试并学习更准确的因果图。

Nov, 2021

可微因果发现中的未测混杂

通过不可测量变量存在的混淆系统推导不可追踪混杂图（ADMGs）的状态，从而将因果发现视为连续优化问题，并设计不同的可微过程来发现线性方程组的最佳拟合 ADMG 结构。

Oct, 2020

个性化的二项式有向无环图学习与网络结构协变量

本文研究利用多元计数数据进行因果发现，引入个性化的二项式有向无环图模型以应对用户异质性和观测之间的网络依赖关系，通过将网络结构嵌入到降维协变量中来学习所提出的有向无环图模型，并探索方差 - 均值关系以确定节点的顺序。通过模拟实验证明我们的算法在异质数据上胜过现有的竞争对手，并在实际的网页访问数据集上验证了其实用性。

Jun, 2024

混淆变量下的因果发现

本研究提出一种名为 “混淆毯原则” 的结构假设，使得我们设计的因果关系推断算法能够适用于高维数据，同时保持多项式复杂度。我们演示了我们的方法在模拟和真实数据集上的运作，包括一个用于线性和非线性系统的推断过程和有限样本误差控制。

May, 2022