ICLRMar, 2024

加速 LiNGAM：以 GPU 速度学习因果 DAG

PDF
TL;DR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。
发现论文，激发创造
  • 根据祖先关系进行变量分组的因果图学习

    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

  • 基于梯度的神经 DAG 学习

    本文提出了一种基于得分的方法，利用神经网络在连续约束优化理论的基础上，允许处理变量之间的非线性关系，用于学习有向无环图，相对于其他连续优化方法，这种方法在很多任务上表现更好，在因果推断的重要度量上与现有的贪婪搜索方法相比具有竞争力。在合成存储和真实世界数据集上进行了试验。

    Jun, 2019

  • 功能性线性非高斯无环模型用于因果发现

    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

  • 潜在混杂因素下的 LiNGAM 模型中的因果效应识别

    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

  • 干预数据的可微因果发现

    本文提出了一种新的方法，基于神经网络和流形变换，使用干预数据来学习因果有向无环图，该方法在多种情况下表现出与现有技术相媲美的灵活性和可行性。

    Jul, 2020

  • 自激励和相互激励时间序列的因果图探索

    提出一种泛化线性结构因果模型，通过新型数据自适应线性正则化，从时间序列中恢复因果有向无环图。

    Jun, 2021

  • 大语言模型辅助的因果结构学习

    迭代式 LLM 监督 CSL（ILS-CSL）框架通过将基于 LLM 的因果推理与 CSL 相结合，并从 LLM 中获得反馈，从而改进了因果有向无环图（DAG）的学习，提供了更强效的因果发现方法，并在八个真实世界数据集上的综合评估中表现出优越的性能，展示了其推动因果发现领域进步的潜力。

    Nov, 2023

  • 通过逆协方差估计进行高维度线性因果网络学习

    本论文提出了一种新的基于统计估计的带有两个部分的框架，通过使用 moralized 图在 DAGs 中选择最佳得分的图。

    Nov, 2013

  • DirectLiNGAM: 一种学习线性非高斯结构方程模型的直接方法

    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

  • 允许混淆的 LiNGAM 推广

    通过引入 LiNGAM-MMI 方法，该论文增强了 LiNGAM 模型，使用 KL 散度量化混淆的大小并按照最小化其影响的方式排列变量，实现全局最优的变量顺序，同时在有和无混淆的情况下以与传统 LiNGAM 相同的高效性处理数据。

    Jan, 2024