AAAIDec, 2023

基于高阶累积量的潜变量因果结构识别

PDF
TL;DR通过利用非高斯数据的高阶累积量，我们提出一种用于估计因果系数或其比例的解析解，并通过估计后的（比例）因果系数，提出一种新的方法来确定受潜变量影响的两个观测变量之间是否存在因果边，以及在存在这样的因果边时引入了一种非对称性准则来确定因果方向，实验结果表明了我们提出方法的有效性。
causal discoverylatent variableshigher-order cumulantscausal coefficientsasymmetry criterion
发现论文，激发创造
  • 基于高阶累积量的潜在混杂因素因果发现

    针对具有潜在混杂因素的因果关系发现问题，通过利用高阶累积量，提出一种基于独立分量分析的解决方法，可以自动检测潜在变量，确定因果顺序，并扩展到多个潜在变量的情况下。实验明确了该方法的正确性和有效性。

    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

  • 非线性潜在层次模型的识别

    本文研究了非线性潜在变量的分层因果模型的识别问题，并证明在一些缓和的假设下，可以实现因果结构和潜在变量的可识别性。

    Jun, 2023

  • 使用路径分析和高阶累积量从 Poisson 分支结构因果模型中进行因果推断

    发现因果结构是计算领域中处理各种科学和工业场景中的计数数据的关键任务之一，本研究提出了一种基于泊松分支结构因果模型和高阶累积量进行路径分析的实用算法，并通过实验验证了该方法的有效性。

    Mar, 2024

  • 从多元 Hawkes 积分累量揭示因果关系

    提出了一种新的非参数方法，旨在估计具有多元 Hawkes 过程的积分核矩阵，从而解释其节点间的相互影响和因果关系。

    Jul, 2016

  • 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

  • 因果结构学习中的非线性、反馈与一致性

    寻找自动化搜索方法，从观察数据中学习因果结构；讨论潜变量和观察变量之间的因果联系以及它们之间的潜在模式和结构；提出了不同于高斯分布条件的 k - 三角性忠诚度的另一定义，可用于非高斯分布；轻松学习具有潜变量的因果结构的充分性假设。

    Aug, 2023

  • 楼梯滑行：相关潜变量如何加速神经网络的学习

    神经网络从高阶输入累积量中有效地提取相关方向并通过层次性学习加速了模型的性能。

    Apr, 2024

  • 一个通用的因果推断框架，允许有因果关系的隐藏变量

    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。

    Dec, 2023

  • 潜变量因果推断：最新进展与未来前景

    通过综述研究，我们对近期在潜变量条件下的因果推断相对于影响因素进行了全面的回顾，涵盖了因果效应估计、中介分析、反事实推理和因果发现等任务，并介绍了在大型语言模型时代下因果推断存在的新机会。

    Jun, 2024