Dec, 2023

一个通用的因果推断框架，允许有因果关系的隐藏变量

PDF
TL;DR在这篇论文中，我们介绍了一种新颖且多用途的因果发现框架，它几乎可以适用于因果网络中几乎任何地方存在的具有因果关系的隐藏变量（例如，它们可以是观测变量的效应）。通过研究秩与条件独立性的有效性，我们在理论上建立了某些潜在结构模式可辨识性的必要和充分条件。此外，我们开发了一种基于秩的潜在因果发现算法（RLCD），可以高效地定位隐藏变量，并确定它们的基数，发现包括测量和隐藏变量在内的整个因果结构。我们还证明，在某些图形条件下，RLCD 能够渐近地正确识别整个潜在因果图的马尔可夫等价类。在合成和真实的个性数据集上的实验结果证明了该方法在有限样本情况下的有效性。
causal discoverylatent confoundersrank-based latent causal discoverycovariance matrixidentifiability of latent structural patterns
发现论文，激发创造
  • 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

  • 使用张量秩条件学习离散潜在变量结构

    通过对观察变量集 $X_p$ 的条件集的最小支持率进行张量秩条件探测，我们可以确定潜在变量的秩，并在某些结构假设下识别出潜在因果结构。

    Jun, 2024

  • 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

  • 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

  • 递归因果发现

    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

  • 一种用于非监督表示学习的因果排序先验

    利用加性噪声模型实现无监督表示学习，并通过潜在分布的 Hessian 构建损失函数以鼓励潜在空间遵循因果排序。

    Jul, 2023

  • 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

  • 潜在类别混淆下的因果发现

    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。

    Nov, 2023

  • 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

  • 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