AAAIDec, 2023

缺失数据的加性噪声模型下的因果结构识别

PDF
TL;DR在存在自我遮蔽缺失情况下，探索从缺失数据中学习因果结构的识别问题是一项具有挑战性的任务，然而我们发现最近引入的加性噪声模型具有潜力用于解决这个问题。本研究通过扩展因果骨架的可识别范围，给出了加性噪声模型下因果方向的充分和必要的识别条件，并提出了一种基于该理论结果的实用算法来学习因果结构。通过对合成数据和真实数据的广泛实验，证明了该算法的高效性和有效性。
发现论文，激发创造
  • 使用级联非线性加性噪声模型进行因果关系发现

    提出了一种级联非线性加性噪声模型，可以发现难以被非线性加性噪声模型正确揭示的因果关系。该研究还在变分自编码器框架下提出一种方法来估计该模型并克服了实践中存在的一些问题。

    May, 2019

  • 使用连续加性噪声模型进行因果推断

    研究学习因果有向无环图从观察到的联合分布，探索一种基于结构方程模型的可识别因果图的替代方法，并提供针对有限样本的实用算法和实证研究。

    Sep, 2013

  • 通过加性模型和任意噪声进行得分匹配的因果发现

    本文研究因果关系发现方法，特别是用于非线性模型和高斯噪声假设的方法。提出了一种新的算法 NoGAM，可以在最少的前提条件下发现因果关系，并在合成数据上进行了实验基准测试。

    Apr, 2023

  • 使用加性噪声模型进行离散数据因果推断

    本研究基于加性噪声模型，扩展了因果推论在离散变量情况下的应用，提出了一种快速的算法，能够有效判断有限离散变量的因果关系，经实验验证表明该算法可行。

    Nov, 2009

  • 混合加性噪声模型的因果推断与机制聚类

    本文提出一种基于混合模型的 Additive Noise Model (ANM)，并且通过 Gaussian Process Partially Observable Model (GPPOM) 加入独立性约束，可用于根据混合模型的生成机制进行因果推断和聚类。

    Sep, 2018

  • 基于掩码梯度的因果结构学习

    本文研究了从观测数据中学习因果结构的问题，提出了一种基于结构方程模型的因果结构学习方法，并通过实验验证了其良好性能。

    Oct, 2019

  • 使用加性噪声模型识别混淆因素

    提出了一种方法，用于推断两个观测随机变量之间存在一个潜在的共同原因（“混淆变量”）。方法假设混淆变量的两个影响是混淆变量的（可能是非线性的）函数加上独立的加性噪声，探讨了在什么条件下从这些影响的联合分布中实现（对混淆变量进行任意重新参数化）的模型可识别性。提出了一种实际的从有限独立同分布采样得到的影响中估计混淆变量的方法，并且在模拟和真实世界数据上说明该方法的有效性。

    May, 2012

  • 掩盖：嘈杂监督的新视角

    本文介绍了一种名为 Masking 的人类辅助方法，利用人类认知无效类转换和自然推断噪声转移矩阵的结构，导出了一个结构感知的概率模型，并解决了结构提取和结构对齐的挑战。Masking 可以显著提高分类器的鲁棒性。

    May, 2018

  • 通过对抗遗漏引发的误导行为：利用缺失数据干扰因果结构学习

    本文研究在观测数据的基础上推断因果结构，提出了一种新的攻击方法，即敌对遗漏攻击。通过省略一部分真实的训练数据，来偏置学习到的因果结构以达到预期的目的，并在真实和合成数据集上进行了实验验证，证明了敌对遗漏攻击在欺骗流行的因果结构学习算法方面的有效性。

    May, 2023

  • 缺失数据情况下的因果发现

    本文提出了 MVPC 算法，可用于发现具有不同缺失机制的观察数据中的基础因果结构，其缺失机制由失踪图表示，并提出了附加的纠正操作，以推导完整数据中的条件独立性 / 依赖关系。经实验证明，所提出的算法在 MAR 或 MNAR 数据下也能给出正确的结果，并且在神经病理性疼痛诊断记录和其他两个真实世界应用中表现优异。

    Jul, 2018