Dec, 2023

可识别异方差噪声模型下的因果发现

PDF
TL;DR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。
directed acyclic graphscausal dag learninghomoscedastic noiseheteroscedastic noisedag learning algorithm
发现论文，激发创造
  • 异方差因果结构学习

    本研究旨在解决具有异方差噪声的因果结构学习问题。通过利用因果机制的正态性，我们可以恢复一个有效的因果排序，并使用一系列条件独立性检验唯一地识别因果有向无环图。结果是 HOST（异方差因果结构学习），一种简单而有效的因果结构学习算法，可以在样本大小和维度上呈多项式规模扩展。通过广泛的实证评估，我们展示了 HOST 方法在因果顺序学习和结构学习问题上与最先进的方法相比具有竞争力。

    Jul, 2023

  • 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

  • 从数据中学习具有少量根因的有向无环图（DAG）

    提出了一种新的算法，从线性结构方程模型（SEM）生成的数据中学习有向无环图（DAG）。该算法证明在新设置中的可识别性，并显示与之前的 DAG 学习方法相比，少量有噪声的 root causes 能提供优异性能。

    May, 2023

  • 通过逆协方差估计进行高维度线性因果网络学习

    本论文提出了一种新的基于统计估计的带有两个部分的框架，通过使用 moralized 图在 DAGs 中选择最佳得分的图。

    Nov, 2013

  • ExDAG: 精确学习有向无环图

    近年来对因果学习的兴趣逐渐增加。常用的因果结构表示方法，包括贝叶斯网络和结构方程模型（SEM），采用有向无环图（DAG）形式。我们提供了一种新颖的混合整数二次规划表达和相关算法，用于识别可识别的 50 个顶点的 DAGs。我们称之为 ExDAG，即精确学习 DAGs 的方法。尽管存在阻止循环形成的超指数个约束条件，该算法通过添加违反找到解的约束条件，而不是在每个连续值放宽中施加所有约束条件。我们的实验结果表明，在考虑高斯噪声时，ExDAG 在精度方面优于当地最先进的求解器，在扩展性方面优于最先进的全局求解器。我们还提供了对其他噪声分布的验证。

    Jun, 2024

  • 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

  • 带有隐藏变量的图模型中因果效应的半参数推断

    本文提出了针对单个处理和单个结果涉及种类繁多的隐藏变量有向无环图的人口水平因果效应的 influence function-based 估计器以及重要类别的隐藏变量 DAG，该类别在处理满足一个简单图形标准的情况下，生成调整和前门函数，同时还提供了统计模型的必要和充分条件。

    Mar, 2020

  • 自激励和相互激励时间序列的因果图探索

    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

  • 学习稀疏非参数 DAG

    该研究开发了一个框架，可用于从数据中学习稀疏的非参数有向无环图（DAG）。该方法基于最近对 DAG 进行的代数描述，该描述为分数为基础的 DAG 模型的学习提供了一个完全连续的程序，该程序通过线性结构方程模型（SEM）进行参数化。该框架适用于各种非参数和半参数模型，包括广义线性模型（GLMs）、加性噪声模型和索引模型等特殊情况。与现有方法不同，这个方法不需要特定的建模选择、损失函数或算法，它提供了一个完全通用的框架，可应用于一般的非线性模型和一般的可微分的损失函数，以及通用的黑盒优化例程。代码可在 https 网址处获得。

    Sep, 2019

  • 探究存在未观测混杂因素和非高斯数据的因果发现

    从多元观测数据中恢复因果关系结构，方法基于线性结构方程模型，可有效处理潜在混淆，并可通过无弓有向无环路径图恢复精确的因果结构。

    Jul, 2020