Jan, 2024

提升因果增加模型

PDF
TL;DR我们提出了一种基于提升的方法来从观察数据中学习加法结构方程模型 (SEMs)，重点研究确定变量之间因果顺序的理论方面。我们引入了一族基于任意回归技术的得分函数，并建立了一些必要条件，以一致地优选真实的因果顺序。我们的分析揭示了提前停止的提升在满足这些条件的同时，提供了一个一致的因果顺序得分函数。为了解决高维数据集带来的挑战，我们通过分量梯度下降在加法 SEMs 空间进行了适应。我们的模拟研究验证了我们在低维度下的理论结果，并证明我们的高维适应与最先进的方法相竞争。此外，它对超参数的选择表现出鲁棒性，使得该方法易于调整。
boostingstructural equation modelscausal orderscore functionshigh-dimensional data
发现论文，激发创造
  • 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

  • CAM: 因果加性模型，高维序列搜索和罚函数回归

    本研究提出了一种可以用于高维附加结构方程模型的估计方法，并建立了估计量的一致性，同时还开发了一种计算算法来处理许多变量，并通过模拟和实际数据验证方法的准确性和性能。

    Oct, 2013

  • 多项式时间与样本复杂度内学习线性结构方程模型

    本文研究了从观察数据中学习线性结构方程模型（SEMs）的算法问题，旨在实现计算和统计效率，解决较一般的识别问题并没有考虑 “信仰” 假设的情形，提供了一个高效的算法，能够在不同噪声分布的情况下恢复 SEM 的有向无环图结构。

    Jul, 2017

  • SLEM: 超学习器方程建模的路径建模和因果推理

    超级学习方程建模是一种集成机器学习超级学习器的路径建模技术，能够提供一致和无偏的因果效应估计，并在处理非线性关系时比结构方程模型（SEM）表现更好。

    Aug, 2023

  • 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

  • 结构方程模型的因果一致性

    该论文介绍了结构方程模型 (SEMs) 中精确的转换机制，以实现不同粒度和级别的建模；它强调了在因果建模过程中精确定义干涉的重要性，并阐明了循环 SEMs 的解释。

    Jul, 2017

  • Boosting 算法：正则化，预测和模型拟合

    本研究从统计学的角度出发，重点讨论了利用 boosting 对复杂的参数模型或非参数模型（包括广义线性模型和加法模型等）进行有效估算的方法，以及在高维空间的正则化和变量选择中使用的信息准则，而 BOOSTING 过程的实际展示是通过开源软件包 mboost 来实现的。

    Apr, 2008

  • 基于树结构加性模型的高维贝叶斯优化

    本文提出了一种基于广义加性模型 (GAM) 的 Bayesian Optimization (BO) 方法来解决高维优化问题，该方法采用树形结构的依赖图来优化加速计算，同时保留现有方法的样本效率，相比于通过 Gibbs 采样和变异的混合图算法更加高效，通过一系列的实验验证了该方法的有效性。

    Dec, 2020

  • 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

  • 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