适应性在线实验设计用于因果推断
本文研究探讨了在给定一个观测Markov等价类的因果图时,发现其唯一性所需的最坏情况实验次数可以指定为Markov等价类中最大团的函数。我们提供了一种算法来计算我们认为对于上述任务最优的干预集合。该算法建立在Eberhardt等人(2005年)对于当考虑所有可能的N个变量的有向无环图时的一系列实验的最坏情况分析中获得的洞见的基础上。仿真结果表明我们的猜想是正确的。我们还展示了我们的猜想推广到其他可能的图假设类别不易进行,以及算法不再最优的意义。
Jun, 2012
该论文探讨了在Pearl的结构方程模型下使用有限干预学习因果网络的问题,并使用信息论方法研究了干预次数的下界,并提出了一种新的分离系统构造方法来学习弦图和任意骨架的因果方向。
Oct, 2015
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
本文提出将Bayesian因果发现方法融入到贝叶斯优化实验设计框架中,可以在选择干预目标和值的同时,发现具有大规模、非线性结构因果模型的有效性已在合成图和基因调控网络数据集上得到验证。
Mar, 2022
本文中提出了一种利用元强化学习算法,通过学习干预变量的方法来进行因果发现并构建明确的因果图的方法,研究表明与现有最先进的方法相比表现出的结果更好,揭示了这种干预策略对于该方法性能的贡献。
Jul, 2022
研究了在尽可能减少干预数量的同时,利用总共r个序列回合恢复因果图的问题,提出了一种可达到较好的近似水平的r自适应算法,并将其定义在非自适应(r=1)和完全自适应(r=n)设置之间。
Jun, 2023
通过干预来学习混合因果模型中变量之间的因果关系是一项具有挑战性的任务,本文提出了匹配性的必要和充分条件以及一种自适应算法,用于学习混合因果模型中的所有真实边,具有最佳干预效果并在混合模型不包含循环关系时尺寸最小。
Jun, 2024