学习因果有向无环图(DAG)的问题,使用观测和干预实验数据的组合进行研究,采用贝叶斯方法从一般干预中进行因果发现,通过图形特征化和兼容先验的贝叶斯推断保证不可区分结构的分数等价性,利用马尔可夫链蒙特卡洛(MCMC)拟合 DAG、干预目标和导致的父节点集合的后验分布,最后在模拟和真实蛋白质表达数据上评估了所提出的方法。
Dec, 2023
在线学习中基于干预样本历史的分离图系统相匹配的追踪停止因果发现算法优于现有方法,通过较少的样本实现更高准确性的因果图学习。
May, 2024
针对部分或完全未知的干预目标的混合观测和干预数据的因果 DAG 模型估计问题,本文提出一个算法来寻找干预马可夫等价类,此算法采用贪心策略在排列空间中搜索以最小化新的分数函数,同时该算法是无参数的,因此适用于非线性关系和非高斯分布的情况,性能表现已被验证。
Oct, 2019
本文提出了两种基于最优实验设计策略的主动学习方法,用于求解因果 DAG 的最优干预目标,以改进因果 DAG 的边缘识别。其中第二种策略在多项式时间内得到任意大小的最小目标集,保证因果 DAG 的全识别。在模拟研究中,两种主动学习方法与随机干预进行比较,并分析估计误差对主动学习性能的影响。
May, 2012
本文研究探讨了在给定一个观测 Markov 等价类的因果图时,发现其唯一性所需的最坏情况实验次数可以指定为 Markov 等价类中最大团的函数。我们提供了一种算法来计算我们认为对于上述任务最优的干预集合。该算法建立在 Eberhardt 等人(2005 年)对于当考虑所有可能的 N 个变量的有向无环图时的一系列实验的最坏情况分析中获得的洞见的基础上。仿真结果表明我们的猜想是正确的。我们还展示了我们的猜想推广到其他可能的图假设类别不易进行,以及算法不再最优的意义。
Jun, 2012
该研究考虑在观测和干预数据都可用的情况下学习因果 DAG,并使用一种可证明的算法实现此目标。
Feb, 2018
通过干预来学习混合因果模型中变量之间的因果关系是一项具有挑战性的任务,本文提出了匹配性的必要和充分条件以及一种自适应算法,用于学习混合因果模型中的所有真实边,具有最佳干预效果并在混合模型不包含循环关系时尺寸最小。
Jun, 2024
我们提出了一种基于贝叶斯优化的方法,通过活动干预来最大化获取决定性和正确证据的概率,从而有效地发现因果关系,并增强理论进展的实际应用。
通过研究自适应干预下的因果图发现,提出了一种新的基准,捕捉任何搜索算法的最坏干预成本,并提出了在各种设置下实现对数逼近的自适应搜索算法。
May, 2023
本文提出了两种利用观测和介入数据学习基因调控网络的算法,并证明了这两种算法在符合无偏性假设的情况下均具有一致性保证。同时,这些算法具有非参数性质,适用于分析非高斯数据。本文还对这两种算法在模拟数据,蛋白质信号数据和单细胞基因表达数据上的性能进行了分析。
May, 2017