Feb, 2024

调整识别距离：因果结构学习中的一个 Gadjid

PDF
TL;DR评估因果发现算法学习到的图形是困难的：两个图形之间不同的边的数量不反映它们在提供因果效应的标识公式方面的差异。我们介绍了一种开发图形之间因果距离的框架，其中包括有向无环图的结构干预距离作为一种特殊情况。我们利用这个框架开发了改进的基于调整的距离以及对已完成的部分有向无环图和因果顺序的扩展。我们开发了多项式时间可达性算法以高效地计算距离。在我们的包 gadjid（开源网址如上所示），我们提供了距离的实现；它们的速度比结构干预距离快几个数量级，从而为可扩展到以前禁止的图形规模的因果发现提供了成功度量。
causal discovery algorithmsgraphscausal distancesdirected acyclic graphsadjustment-based distances
发现论文，激发创造
  • 用于评估因果图的结构干预距离（SID）

    本文提出了结构干预距离（SID）作为有向无环图（DAG）之间差别的一种度量方法，并与流行的结构汉明距离（SHD）相比较。该度量方法适用于计算干预的图形，并且可以比较部分完成的有向无环图（CPDAGs）的马尔可夫等价类。

    Jun, 2013

  • 因果图中的分离器和调整集：完备准则和算法框架

    本文提出了一种基于祖先图的算法框架，用于有效地测试，构建和枚举 $m$- 分隔符，从而较高效地进行非实验数据中因果效应的识别，同时还证明了通过协变调整进行因果效应识别与 $m$ 分离在有向无环图及最大祖先图中的一个子图的规约，并利用这些结果，得出一种刻画所有调整集以及在存在潜在混淆因素的多元曝光及结果的期望因果效应识别的所有最小和最小调整集的构造性条件，为这些问题的特殊情况提供了现有解决方案的扩展。

    Feb, 2018

  • 一种比较因果图的连续结构干预距离

    我们提出了一种基于嵌入干预分布的连续测量度量，用于衡量真实因果图与学习到的因果图之间的差异，该度量考虑了图结构之外的底层数据，通过最大（条件）均值差异来估计它们的差距。我们在合成数据上进行数值实验证实了我们的理论结果。

    Jul, 2023

  • 基于导师的主动因果结构学习

    本研究介绍了带有辅助意见的主动因果结构学习问题，提出了一种新的搜索算法来回复有向无环图，其干预成本最多为验证图的成本的 O（max {1，logψ}）倍，其中 ψ 是 G 和 G * 之间的距离度量，当 G=G * 时恰好为 0。

    May, 2023

  • 在最大定向部分有向无环图中识别因果效应

    我们为最大定向部分有向无环图（MPDAGs）开发了必要且充分的因果识别标准，该标准可被视为 Robins（1986）g - 公式的推广。我们进一步获得了截断因式分解公式（Pearl，2009）的推广，并将我们的标准与 Perković等人的广义调整标准（2017）进行了比较，后者对于因果识别是充分的，但不是必要的。

    Oct, 2019

  • 在祖先图的马尔可夫等价类中完成调整集的图形刻画和构造

    我们提出了一个适用于四类因果图模型：定向无环图 (DAGs)、最大先祖图 (MAGs)、完成部分定向无环图 (CPDAGs) 和部分先祖图 (PAGs) 的变量调整图形标准，该标准统一了一个大的图形类的变量调整。此外，我们定义了一个明确的集合，如果有满足我们的标准的集合，则满足我们的标准。我们还提供了高效算法来构建所有满足我们标准的集合，并在 R 包 dagitty 中实现。最后，我们讨论了我们的标准与其他调整标准之间的关系，并为 DAG 的调整标准提供了新的完整性和有效性证明。

    Jun, 2016

  • 有向循环图的发现算法

    本文介绍了一个可以通过样本数据推理带循环因果图的因果结构的发现算法，并给出了正确性条件，该算法是稀疏图上的多项式。

    Feb, 2013

  • 完整的广义调整准则

    本文提出一个关于因果模型的条件，用于从图形化因果模型中识别出不同类型的建模方法并对总因果效应进行变量调整，此条件具有必要性和充分性。

    Jul, 2015

  • 因果距离之梯

    该研究提出了一种基于因果分布的距离计算方法来比较因果模型之间的距离，并将其用于对因果发现算法及其应用进行基准测试和评估。

    May, 2020

  • 加权因果有向无环图的新度量和搜索算法

    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