本文提出了一种新的方法,基于神经网络和流形变换,使用干预数据来学习因果有向无环图,该方法在多种情况下表现出与现有技术相媲美的灵活性和可行性。
Jul, 2020
本文通过分割和征服框架提出了一种新的因果关系发现方法。通过将问题分解成定义在 Markov 毯子上的较小子问题,所提出的 DCDILP 方法首先并行地探索这些子问题的局部因果图。然而,由于存在隐藏的混淆变量(每个 Markov 毯子中的变量可能受到外部变量的影响),这个局部发现阶段面临系统性挑战。此外,在一个一致的全局图中聚合这些局部因果图将定义一个大规模的组合优化问题。DCDILP 通过:i)将局部子图限制为仅与 Markov 毯子的中心变量相关的因果链接;ii)将局部因果图的协调制定为整数线性规划方法来应对这些挑战。通过实验和与现有技术的比较展示了这种方法在因果关系发现准确性和规模上的优点。
Jun, 2024
本文介绍了一种从数据中学习因果图的因果发现方法,通过引入可移除变量的概念和递归方法来解决因果发现中的挑战,并提供了一个高效实现这些方法的 Python 包,可供实践者和研究人员在实际场景中使用。
Mar, 2024
通过开发一种新的基于约束的方法,该方法用于估计多个用户指定目标节点周围的局部结构,从而在邻域之间实现结构学习协调,进而促进无需学习整个有向无环图结构的因果发现。实验结果表明,我们的算法在学习邻域结构时具有更高的准确性,且计算成本较低于传统方法。
May, 2024
基于连续优化框架通过引入松弛且可实现的充分条件,证明了一类可辨识的结构方程模型 (SEM),在此基础上提出了一种新颖的有法考虑噪声方差变异的 DAG 学习方法,并设计了一个有效的两阶段迭代算法来解决优化困难,实现对具有异方差变量噪声和不同方差的数据的因果 DAG 学习。在合成数据和实际数据上,实验结果显示该方法明显优于现有方法。
Dec, 2023
我们介绍了一种可解释且模型无关的梯度可逆因果发现方法 Dagma-DCE,它使用可解释的因果强度来定义加权邻接矩阵,并在多个模拟数据集上展现了与其他方法相媲美的性能水平。
Jan, 2024
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
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
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