根据祖先关系进行变量分组的因果图学习

Mar, 2024

根据祖先关系进行变量分组的因果图学习

Learning causal graphs using variable grouping according to ancestral relationship

Ming Cai, Hisayuki Hara

TL;DR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。

Abstract

Several causal discovery algorithms have been proposed. However, when the sample size is small relative to the number of variables, the accuracy of estimating causal graphs using existing methods decreases. And some methods are not feasible when the sample size is smaller than the numb

causal discovery algorithms divide-and-conquer approaches conditional independence relationships causal structure learning lingam assumption

发现论文，激发创造

加速 LiNGAM：以 GPU 速度学习因果 DAG

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

多粒度因果结构学习

揭示、建模和理解自然现象的因果机制是科学研究中的基本任务，此文讨论一种名为 MgCSL（多粒度因果结构学习）的新方法，通过利用稀疏自动编码器探索从微观变量到宏观变量的粗粒度策略和因果抽象，使用多粒度变量作为输入训练多层感知机，从而深入研究变量之间的因果关系，并引入一种简化的非循环性约束以适应高维数据，实验证明 MgCSL 优于竞争方法，并在 fMRI 数据集中发现可解释的因果连接。

Dec, 2023

带有局部搜索的混合全局因果发现

在观测数据中进行因果发现是一项具有挑战性的任务，本研究提出了一种新颖的混合方法，结合局部因果子结构，通过引入拓扑排序算法和非参数约束算法，在线性和非线性设置中实现了全局因果推断，并在合成数据中进行了验证。

May, 2024

在潜变量存在时使用整数规划进行因果结构学习

本文提出了一种基于精确得分的方法来学习代表一组连续变量因果关系的祖先无环定向混合图，并通过整数规划公式求解，能够有效获得优秀结果，且优于现有基准方法。

Feb, 2021

学习潜在树图模型

本文提出了两种一致且计算效率高的算法，用于学习最小化的潜在树图模型，并与其他现有方法进行了比较，所提出的算法在隐藏马尔可夫模型和星形图等各种潜在树图模型上进行了详尽的数值实验。

Sep, 2010

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

学习必要和充分的因果图

本文提出了一种能学习到只包含和我们感兴趣的结果相关的因果相关变量的必要和充分因果图（NSCG）的方法，该方法使用了因果关系的概率。我们开发了一个基于分数的算法来学习 NSCG，并在模拟和真实数据的实证研究中展示了该算法的性能优于现有算法，并能揭示对于目标可遗传特征非常重要的酵母基因。

Jan, 2023

稀疏特定上下文因果系统的可扩展结构学习

通过结合基于排序的 MCMC 算法和类似于有向无环图模型的稀疏性假设，我们提出了一种可扩展学习特定背景模型的混合算法，该算法在测试约束数量与标准有向无环图模型学习算法相同的情况下适用于数百个变量，并且经过合成数据和真实世界例子的实验证明，无论是准确性还是可扩展性都表现良好。

Feb, 2024

基于约束条件从少样本图中学习因果结构

该研究论文提出了一种利用约束编程方法结合先前知识和理论洞见的实用方法，从而解决了时间序列数据中因果学习算法估计的图形结构提供高度误导性因果信息的问题，并且可以扩展到大型随机变量集合，并不需要精确知道时间尺度差异。

May, 2022

人机循环因果发现在潜在混杂下的祖先 GFlowNets

借助生成流网络，利用原始信念分布比例对因果祖先图进行采样，然后通过层次变量间关系的有力实验设计，迭代地与专家互动，有效减少对因果祖先图的不确定性。通过重要性采样结合人的反馈，更新我们的样本，提高推理质量，并不需要因果充足（即可能存在未观察到的混淆变量）。实验结果表明，我们的方法能够准确地对因果祖先图的分布进行采样，并且在人类帮助下能够大大提高推理质量。

Sep, 2023