允许混淆的 LiNGAM 推广
研究在具有潜在变量的线性非高斯无环模型 (LiNGAM) 中因果效应的通用可识别性问题。针对已知先验的因果图和未知因果图两种情况,对观察变量之间可识别的直接或总因果效应提供了完整的图形特征化,并提出了有效的算法来验证图形条件。最后,提出了重建独立成分分析 (RICA) 算法的改进版本,该算法可从观测数据中估计因果效应,并通过实验证明了所提方法估计因果效应的有效性。
Jun, 2024
通过将现有的因果发现方法进行高效并行化,可以使它们适用于数千个维度的数据集,从而解决了基于组合优化或搜索的现有方法在大规模数据集上运行速度慢的问题。具体地,我们并行化了 LiNGAM 方法,并加速其中的因果排序子过程,实现了与现有顺序实现相比高达 32 倍的加速,从而使其在大规模基因表达数据和美国股票数据的因果推断和因果发现中表现出与专门的连续优化方法相媲美的结果。
Mar, 2024
利用 Functional Linear Non-Gaussian Acyclic Model(Func-LiNGAM)扩展线性非高斯无环模型(LiNGAM)的概念,以应对涉及功能性磁共振成像和脑电图数据的大脑有效连接任务中的因果关系识别问题。在理论和实证角度上,我们对非高斯随机向量和无限维希尔伯特空间中甚至随机函数之间的因果关系可辨识性建立了理论保证。通过优化向量的坐标使用功能主成分分析,我们解决了内在无限维度功能性数据中离散时间点的稀疏性问题。在合成数据方面的实验结果验证了该框架利用观测样本能够识别多变量函数之间的因果关系。而在真实数据方面,我们专注于分析来自 fMRI 数据的脑连接模式。
Jan, 2024
利用改进的 LiNGAM-SPP 框架,通过消除参数调整的需求和利用图搜索方法,提高因果发现算法的实用性和性能。
Apr, 2024
该论文提出了一种基于变量的祖先关系分组的新算法 CAG,通过分组变量减少计算量和提高估计准确性,特别是在样本量相对较小且模型稀疏的情况下,在计算时间和估计准确性方面优于原始的直接 LiNGAM 方法和其他分治算法。
Mar, 2024
本文介绍了一种基于非高斯性的新的、无需迭代算法参数即可估计因果排序和连接强度的方法,该方法能够在少量的步骤内保证求解正确,能够处理连续变量之间的因果关系。
Jan, 2011
本文提出了一种基于自回归流的 ADM 深度学习方法,用于处理存在潜在混淆的非线性功能关系,可以同时确定数据背后的复杂因果关系和估计其功能关系。
Mar, 2023
本研究提出了一系列可解释的机器学习模型,包括使用 Linearised Additive Models 和 SubscaleHedge 算法的 GAMs,并通过对广泛的金融建模数据进行严格的假设检验,表明这些算法在 ROC-AUC 和校准方面没有明显的性能下降。
Nov, 2022
这篇论文提出了一个名为 I-LAMM 的计算框架,旨在同时控制算法复杂度和统计误差,在拟合高维模型时具有最优的统计性能和可控的算法复杂度,本理论依赖于一种局部稀疏 / 受限特征值条件,可以分析大量的损失和惩罚函数,并在非常微弱的假设下提供最优性保证。
Jul, 2015
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