Mar, 2024

线性非高斯循环模型的局部因果发现

HTML
PDF
TL;DR本研究介绍了一种使用线性非高斯模型的广义的、统一的局部因果发现方法，无论是循环还是非循环。我们将独立成分分析的应用从全局上下文扩展到独立子空间分析，能够从目标变量的马尔科夫毯中准确识别等效的局部有向结构和因果强度。对于特殊的非循环场景，我们还提出了一种基于回归的替代方法。我们的可识别性结果在合成和真实数据集上得到了实证验证。
发现论文，激发创造
  • 独立成分分析发现循环因果模型

    本篇论文通过IC​​A方法，利用连续观测数据，发现了线性非高斯的因果结构模型(LiNGAM-SEM)。该LiNGAM发现算法所输出的SEM分布等价类在大样本情况下是种群分布，并提出了仅有其中一个SEM稳定的充分条件。

    Jun, 2012

  • 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

  • 基于约束的非线性结构因果模型发现：循环和潜在混淆变量

    采用模块化结构因果模型(mSCM)，引入了sigma-connection graphs (sigma-CG)，成功实现了能够处理非线性功能关系、潜在混淆、循环因果关系和不同随机完美干预数据的因果发现算法。

    Jul, 2018

  • 基于独立性检验的测量误差和线性非高斯模型因果发现方法

    本文提出了一种基于Transformed Independent Noise (TIN)的方法，用于解决测量误差下的因果图结构恢复问题，相比现有方法，TIN条件检验方法更具可扩展性且在合成和真实数据中均能取得较好的效果。

    Oct, 2022

  • 潜在类别混淆下的因果发现

    使用有向无环图来建模系统的因果结构。在多个数据源（群体或环境）的数据聚合中，全局混淆模糊了许多因果发现算法中的条件独立性属性。因此，现有的因果发现算法不适用于多源设置。我们证明，如果混淆的基数有限（即数据来自有限数量的源），仍然可以实现因果发现。该问题的可行性取决于全局混淆因素的基数、观测变量的基数和因果结构的稀疏程度的权衡。

    Nov, 2023

  • 循环模型中带有隐藏共变量的因果发现方法的比较研究

    对稀疏线性模型中具有循环和隐藏混杂因素的因果关系进行比较研究，评估了四种因果发现技术在多个干预设置和不同数据集规模下的性能。

    Jan, 2024

  • 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

  • 带背景知识的局部因果发现

    本文研究了如何在局部结构学习中有效利用先验知识，以识别因果关系。在众多因果建模应用中，常常存在部分已知的因果图，研究提出了一种结合直接因果信息、非祖先信息和祖先信息的方法，以提升因果识别的准确性和效率。本研究的关键发现是，通过这种新方法可以提高局部结构学习和公平机器学习的效果。

    Aug, 2024

  • LOCAL：利用方向矩阵从时间序列数据中推断因果结构

    本研究解决了从时间序列观察数据中发现潜在有向无环图（DAG）的挑战，特别是面对动态特性和复杂非线性交互的问题。提出的LOCAL方法通过构建准最大似然评分函数，首创性地实现了动态DAG的高效恢复，并通过适应性模块增强了无环性的代数特征。实验结果表明，LOCAL在性能上明显超越现有方法，展现出其在动态因果发现中的广泛应用潜力。

    Oct, 2024

  • LOCAL：利用方向矩阵从时间序列数据推断因果结构的学习

    该研究针对从时间序列观测数据中发现潜在有向无环图（DAG）的难题，提出了新方法LOCAL。通过引入准最大似然评分函数和两种适应性模块，LOCAL在捕捉动态因果结构和提高计算效率方面具有显著优势，实验结果表明其性能优于现有方法。

    Oct, 2024