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
研究使用信息理论度量方法,在因果发现框架中使用 PC 和 FCI 算法构建基于任意延迟或瞬时关系的扩展摘要因果图,并通过模拟和真实数据集进行实验验证。
May, 2022
我们提出了一种迭代因果发现算法 (ICD),可在潜在混淆变量和选择偏差的情况下恢复因果图,并演示了 ICD 相较于 FCI、FCI + 和 RFCI 算法,需要更少的 CI 测试并学习更准确的因果图。
Nov, 2021
本论文提出了一种新颖的基于图的因果推理(GCI)框架,可以从事实描述中构建因果图,以帮助法律从业人员做出适当的决策,并且该框架中的因果知识可以有效地注入强大的神经网络以获得更好的性能和可解释性。
Apr, 2021
使用图形化框架,本文对 CIMs-B-POF 进行统一的图形化分析,同时定量分析在纳入各种类型的非混淆协变量(如工具变量、中介变量、碰撞物和调整变量)时,CIMs-B-POF 的推断性能受到的影响程度。关键发现是:在消除混淆偏差任务中,理想的情形是协变量仅包含混杂因素;在推断反事实结果的后续任务中,调整变量对于更准确的推断有所贡献。此外,在合成数据集上进行的大量实验一致验证了这些理论结论。
Aug, 2023
本文提出了一种正式的潜在结果框架,用于接受不完美的代理变量并解决观察性研究中因未测偏差而引起的因果推断问题。通过引入足够的条件来实现非参数识别,并给出了相应的算法进行估计,其中包括对点处理和时变处理设置的处理,以及给出了使用近端 g 计算方法计算因果效应的应用案例。
Sep, 2020
本文提出了一种基于祖先图的算法框架,用于有效地测试,构建和枚举 $m$- 分隔符,从而较高效地进行非实验数据中因果效应的识别,同时还证明了通过协变调整进行因果效应识别与 $m$ 分离在有向无环图及最大祖先图中的一个子图的规约,并利用这些结果,得出一种刻画所有调整集以及在存在潜在混淆因素的多元曝光及结果的期望因果效应识别的所有最小和最小调整集的构造性条件,为这些问题的特殊情况提供了现有解决方案的扩展。
Feb, 2018
研究了在因果推断中如何解决因果关系难以识别的问题,提出了协变量调整的图形标准并推导了一些相关的推论。
Mar, 2012
通过综述研究,我们对近期在潜变量条件下的因果推断相对于影响因素进行了全面的回顾,涵盖了因果效应估计、中介分析、反事实推理和因果发现等任务,并介绍了在大型语言模型时代下因果推断存在的新机会。
Jun, 2024
本文提出了一种基于最大祖先图 (MAG) 的新型工具 —— 祖先工具变量 (ancestral IV),并通过理论与算法探讨,实现了从观测数据中自动发现祖先 IV 特征值并进行无偏因果效应估计的方法。实验结果表明,该方法能够在合成数据和实际数据集上比已有 IV 方法表现更好。
Jan, 2022