Apr, 2024

FiP: 因果生成建模的固定点方法

PDF
TL;DR基于新的等效形式主义，提出了一种新的因果生成模型，利用拓扑排序从观测值中推断顺序，设计了基于 Transformer 的架构来学习固定点结构因果模型，并通过广泛的评估表明该模型在生成的超出分布问题中胜过多个基准模型。
structural causal modelsdirected acyclic graphscausal generative modeltopological orderingtransformer-based architecture
发现论文，激发创造
  • GFlowCausal: 用于因果发现的生成式流网络

    提出了一种名为 GFlowCausal 的新方法，通过逐步添加直接边将图搜索问题转变为生成问题，从而从观测数据中学习一个有向无环图 (DAG)，并使用基于可传递闭包的即插即用模块确保高效的采样，理论分析表明，此模块能够有效地保证无环特性和最终状态与完全连接图之间的一致性，实验结果表明该方法具有显著优势，并且在大规模设置下也表现良好。

    Oct, 2022

  • 高斯过程的多任务因果学习

    该论文研究了在有向无环图（DAG）上定义的一组干预函数的相关结构的学习问题，提出了一种多任务因果高斯过程（GP）模型，称为 DAG-GP，该模型捕捉了不同维度输入空间中的函数之间的相关性，并在实验中测试了其预测质量和校准不确定性。

    Sep, 2020

  • 从可识别的因果表征到可控的反事实生成：因果生成建模综述

    深度生成模型在数据密度估计和有限样本数据生成方面取得了巨大成功。然而，它们存在无法解释性、倾向于引起虚假相关性和在超出分布范围的外推方面表现不佳等一些基本缺点。为了解决这些挑战，可以将因果性理论融入深度生成建模，结构因果模型可以描述数据生成过程并对系统中的变量之间的复杂因果关系和机制进行建模。因此，结构因果模型可以与深度生成模型自然地结合起来，给深度生成模型提供许多有益的属性，如分布偏移鲁棒性、公平性和互操作性。我们提供了一个因果生成建模的技术调研，将其分为因果表示学习和可控反事实生成方法两类。我们关注因果生成模型在公平性、隐私、超出分布泛化和精准医学方面的基本理论、形式化、缺点、数据集、度量和应用。我们还讨论了该领域未解决的问题和未来研究方向。

    Oct, 2023

  • 从因果对到因果图

    通过概率分布和因果关系特征，提出了一种计算效率高的因果结构学习方法，并在合成和真实数据集上进行了验证。

    Nov, 2022

  • 从偏序关系中学习有向无环图

    通过利用部分因果顺序，本文提出了一种通用的估计框架来学习有向无环图的结构，并提供了低维和高维问题的高效估计算法。

    Mar, 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

  • 利用因果图归一化流实现社会科学中的个性化公共政策分析

    本文提出了一种名为因果图标准化流（causal-Graphical Normalizing Flow，c-GNF）的方法，旨在促进个性化公共政策分析（P3A）的实现，讨论了传统方法在计数事实推断方面的局限性，并展示了 c-GNF 方法在因果推断效果上的优越性。

    Feb, 2022

  • 多项式时间内基于树形结构的因果模型辨识

    本论文研究了树状结构因果模型的识别问题，提出了一个随机多项式时间算法来判断结构参数的识别性，并给出了相应参数的分数亚方根多项式表达式。

    Nov, 2023

  • 从数据中学习具有少量根因的有向无环图（DAG）

    提出了一种新的算法，从线性结构方程模型（SEM）生成的数据中学习有向无环图（DAG）。该算法证明在新设置中的可识别性，并显示与之前的 DAG 学习方法相比，少量有噪声的 root causes 能提供优异性能。

    May, 2023

  • 实证的不动点分岔分析

    通过结构化的模型描述参数变化对于质量体系行为的影响，特别是引入高斯过程模型的转化图扩展，通过与固定点和相关局部线性化直接参数化学习到的转化图，恢复了一个一维系统的行为，并学习了一个更加现实的相互抑制的二维神经元群体的行为。

    Jul, 2018