本文提出了一个有原则的框架来处理非平稳数据,并开发了一些方法来处理三个重要问题:检测局部机制不平稳的变量以及恢复观测变量之间的因果结构,通过利用变化分布所携带的信息确定某些因果方向,以及开发可视化因果模块的非平稳方法。作者通过各种合成和真实世界数据集的实验结果来展示这些方法的有效性。
Sep, 2015
本文提出了一种基于约束的因果发现框架,称为 CD-NOD,用于从异构 / 非平稳数据中查找原因骨架和方向,并估计机制变化的属性。该方法在各种合成和真实数据集上进行了实验验证,证明了其有效性。
Mar, 2019
本研究针对非平稳时间序列的因果关系发现和预测问题,提出了一种基于状态空间模型的方法,利用非平稳的性质来确定因果结构,将预测问题视为因果模型的贝叶斯推断问题,并在合成数据和真实数据集上进行了实验验证。
May, 2019
通过建立高阶马尔可夫切换模型的可辨识性,我们提出了基于制度依赖因果关系的发现方法,并通过实证研究展示了该方法在高阶制度依赖结构估计上的可扩展性,并对脑活动数据的适用性进行了说明。
Jun, 2024
在非平稳环境中,本研究通过探索具有时间延迟因果关系的过程下的马尔可夫假设,表明在温和条件下,可以从非线性混合中恢复独立的潜在成分,而无需观察辅助变量。我们还提出了 NCTRL,一种基于原则的估计框架,仅通过测量的序列数据重建时间延迟的潜在因果变量并确定它们之间的关系。经验评估表明,我们的方法可可靠地识别时间延迟的潜在因果影响,并在很大程度上胜过无法充分利用非平稳性并因此无法区分分布变化的现有基线方法。
Oct, 2023
本文研究如何在不确定模型图结构的情况下,通过识别函数机制变化来比较两个或多个相关结构因果模型。我们提出使用非线性加性噪声模型对各模型进行建模,并证明了使用混合分布的分数函数的雅可比矩阵可以用于识别非参数函数机制中的变化。在确认变化的因素后,我们进一步使用其他方法来估计变化的结构差异,以此来帮助理解在不同环境下各个变量的差异。
Jun, 2023
我们开发了一种新的因果推断方法,通过学习随机微分方程 (SDEs) 的稳定密度来模拟系统在干预下的行为,而不需要因果图的结构方程,并且无需考虑无环性的常见假设。我们表明,在若干情况下,这些稳定扩散模型对于变量上的未观测干预进行了推广,通常比传统方法更好。我们的推断方法基于一个新的理论结果,通过在再生核希尔伯特空间中表达扩散的生成器上的稳定条件。由此产生的核函数离稳定性的偏差 (KDS) 是一个独立感兴趣的目标函数。
通过时间信息学习潜在因果变量的变化规律,使用因果过程先验引入约束来实现条件满足,达到从非线性混合数据中可靠地识别因果潜在过程的目的。
Oct, 2021
从多元观测数据中恢复因果关系结构,方法基于线性结构方程模型,可有效处理潜在混淆,并可通过无弓有向无环路径图恢复精确的因果结构。
Jul, 2020
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