利用先验知识发现具有未观测变量的因果加性模型及其在时间序列数据中的应用

Jan, 2024

利用先验知识发现具有未观测变量的因果加性模型及其在时间序列数据中的应用

Use of Prior Knowledge to Discover Causal Additive Models with Unobserved Variables and its Application to Time Series Data

PDF

Takashi Nicholas Maeda, Shimizu Shohei

TL;DR该论文提出了两种针对潜在变量的因果加性模型 (CAM-UV) 的方法。首先，提出了一种利用先验知识用于高效因果发现的方法。然后，扩展了该方法以推断时间序列数据中的因果关系。通过使用模拟数据验证第一种方法，并且通过比较现有的时间序列因果发现方法使用模拟数据和真实数据来测试第二种方法。

Abstract

This paper proposes two methods for causal additive models with unobserved variables (CAM-UV). CAM-UV assumes that the causal functions take the form of generalized additive models and that latent confounders are

causal additive models unobserved variables causal discovery latent confounders time series data

发现论文，激发创造

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

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

利用代理变量方法进行未观测变量的因果发现

本文介绍了一种在存在连续变量的情况下发现因果关系的方法，通过解决离散数据的严格级别约束限制的问题，把连续因果关系测试转换为每个区间内离散因果关系的测试，这些非参数规则可以广泛适用于大量结构因果模型。

May, 2023

从时间序列数据中发现结构因果模型的混合物

从混合不同因果模型的时间序列数据中，利用证据下界最大化的方法进行因果发现，经过实验证明在探测来自不同因果图的数据时，该方法优于现有基准模型。

Oct, 2023

将因果推断重新解释为预测未观测的联合统计量的任务

通过因果推断方法可以推断未被观察到的联合分布的性质，进一步定义了一种从已观察到的变量中引入因果模型来推断未观察到变量的统计性质的学习场景，并且通过推导因果模型的 VC 维，得出了预测的泛化界限。

May, 2023

贝叶斯模型选择进行因果发现

应用贝叶斯框架构建了一个新的因果模型，利用可识别因果方向的贝叶斯模型选择方法，在柔性模型类别中解决了数据集中的因果关系判断问题并且在各种生成数据假设下的性能优异。

Jun, 2023

序列数据的不变因果预测

本文提出了一种方法来从时间序列数据中推断出因果关系，该方法能够识别因果预测变量并保持环境和异质性模式不变。

Jun, 2017

线性潜变量模型中受测量误差影响的因果推断

探讨线性系统中存在测量误差时的因果推断问题，在鉴定列的置换和缩放范围内确定混合矩阵的情况下，发现这个问题与存在未观察到的无父原因的因果推断问题之间有相当惊人的联系，并提出了因果结构学习方法并在合成数据上评估了它们的性能。

Nov, 2022

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

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