Mar, 2024

基于数据驱动的二阶段多重分割因果集合模型的时间序列

PDF
TL;DR本文提出了一种基于数据驱动的两阶段多分割因果推断集成模型，结合了不同因果基本算法的优势，通过数据划分方案降低噪音影响。在多个指标的评估下，通过实验发现我们的因果集成方法在不同情况下均优于各个基本算法，可实现更强大和可靠的因果关系推断。
causal inferencedata-drivenensemble modelnoise reductioncausality detection
发现论文，激发创造
  • 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

  • 检测大规模非线性时间序列数据中的因果关系

    提出了一种结合线性或非线性条件独立性检验与因果发现算法的方法，可以从大规模时间序列数据集中重构因果网络，从而在气候科学或神经科学等研究领域中识别因果关系。

    Feb, 2017

  • 基于深度学习的多元时间序列群体因果推断

    我们在多元时间序列的非线性系统中通过组级别的干预，测试模型的不变性，识别变量组的因果方向，从而获得比其他应用组因果方法更显著的改进，并深入了解真实世界的时间序列。

    Jan, 2024

  • 祖先因果推断

    提出一种通过利用更粗粒度的原因信息表示来降低搜索空间的组合爆炸，从而极大地减少计算时间，并根据信心对原因预测进行评分的新方法，证明了方法的正确性和渐近一致性，并证明了该方法在合成数据上的优越性能，并将其应用于具有挑战性的蛋白数据集中。

    Jun, 2016

  • 利用双变量因果发现集成重叠数据

    本文将双变量因果发现算法用于解决多数据集间有重叠变量时的一致因果结构学习问题，算法表现在合成和真实数据上都优于之前的方法。

    Oct, 2019

  • CUTS+：从不规则时间序列中进行高维因果发现

    本文提出了 CUTS + 方法，该方法结合了 Granger 因果关系、粗到细发现技术和基于信息传递的图神经网络，以克服时间序列数据中高维度和缺失值的限制，从而取得了很好的因果发现性能。

    May, 2023

  • 基于约束模型和 PMIME 度量的时间序列因果发现

    本文介绍了一种新的方法来发现多元时间序列数据中的因果关系，该方法结合因果发现算法和基于信息论的度量，可以推断线性和非线性关系以及构建潜在的因果图。我们在几个模拟数据集上评估了我们的方法的性能，并展示了有希望的结果。

    May, 2023

  • 多模态数据的因果分解

    利用多模态数据和物理约束来发现具有因果关系的重要特征的因果表示学习算法（causalPIMA）。通过可微分参数化和单个可追踪证据下限损失函数，在完全无监督的设置中学习变分自动编码器的有向无环图（DAG）的潜在空间，同时学习一种高斯混合先验和一种新的结构指示因果关系的特征发现方法。测试结果表明，可以在完全无监督的设置中学习可解释的因果结构并同时发现关键特征。

    Oct, 2023

  • 因果网络：针对高维复杂数据的因果推断

    本文提出了一种基于深度学习技术的因果推断方法，用于处理高维复杂数据，包括稀疏深度学习理论和随机神经网络，通过这些技术，该方法能够一致地解决高维度和未知数据生成过程的问题，并在存在缺失值的数据集中表现优于现有方法。

    Mar, 2024

  • 基于约束的多重干预交叠变量集合因果发现

    该论文提出了一种算法，称为 COmbINE，可以处理来自不同数据分布下的重叠变量集合的数据集合，将数据的依赖关系和独立性转化为路径约束，并将它们编码为一个 SAT 实例，并将所有模型的不变和变异结构特征作为输出，方便地进行分析研究。

    Mar, 2014