Apr, 2024

使用拓扑阈值进行因果网络推理

PDF
TL;DR使用基于约束条件的算法从数据中推断因果网络，通过确定因果关联阈值来构建拓扑结构，比传统 PC 算法更快且更准确，并引入了一种称为 Net Influence 的离散非对称因果度量来推断有向边的方向性，加速因果 DAGs 的推理过程。
发现论文，激发创造
  • 基于多元时间序列的网络推断与置信度

    本文描述了一种从多元时间序列数据中推断功能连接网络的基本和系统化过程，旨在解释不确定性网络度量带来的不确定性，并展示了其在模拟数据和人体神经数据中的可靠性。

    Mar, 2009

  • 考虑脑电相位功能连接复杂分层拓扑结构的网络二值化计算

    通过实验对复杂的层次结构进行二元化进行功能连接状态的建模，旨在探究阈值，发现 CST 相对于其它二元化方法在 EEG 功能连接状态的拓扑建模和网络攻击的鲁棒性方面表现突出，提供了关于在 EEG 功能连接研究中考虑大量边缘信息密度的相关证据

    Oct, 2016

  • 一种无偏对称矩阵估计器，在部分可观察性下进行拓扑推断

    该研究提出了基于矢量自回归模型的无偏估计方法和高斯混合模型算法，用于在节点信息部分观察的情况下推断网络拓扑结构，数值实验结果表明该算法在小样本情况下具有更好性能。

    Mar, 2022

  • 带有条件独立性检验的层次化拓扑排序对有限时间序列的应用

    通过引入有限时间序列数据和条件独立性检验，我们提出了一种层次拓扑排序算法（HT-CIT），以更高效地学习稀疏的有向无环图，从而比其他流行方法具有更小的搜索空间，并大大减少需要修剪的边的数量。来自合成和真实数据集的实证结果证明了所提出的 HT-CIT 算法的优越性。

    Aug, 2023

  • 网络高效排名的物理模型

    该论文提出了一种基于物理学原理的模型和高效算法，用于推断有向网络中节点的层次排名，并介绍了一种更精确的排名方式，并提供了一种对强度进行统计显著性检验的方法，应用于预测边的存在性和方向，并在实际和合成数据上分析展示出算法的效率与可扩展度。

    Sep, 2017

  • 脑网络中因果充分性的必要外部节点的算法鉴定

    利用算法鉴别外源节点以满足因果充分性的需求，通过独立性测试和差异分析确定可能的混淆变量，应用于人类连通性计划数据并验证了该方法的可靠性。

    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

  • 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

  • 因果推断、社交网络、链图

    本文介绍并验证了一种关于干预和传染网络数据的简洁参数化方法（所谓链图模型），通过使用美国最高法院在 1994 年至 2004 年之间的案例数据和模拟数据对社交网络中的集体决策进行因果推断。

    Dec, 2018

  • 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