May, 2024

CausalPlayground: 应对前沿因果性研究中的数据生成需求

PDF
TL;DR通过引入 CausalPlayground，我们解决了当前数据生成库的不足之处，提供了一个标准化的平台用于生成、采样和共享结构性因果模型，从而促进了该领域中更高效和可比较的研究。
causal effectssynthetic datadata-generating librariesstructural causal modelsreinforcement learning
发现论文，激发创造
  • $ exttt {causalAssembly}$: 生成逼真的生产数据以进行因果关系发现的基准测试

    本研究通过收集来自装配线的复杂数据集，建立了一个半合成制造数据的系统，通过分析其中的因果关系和使用 Python 库 causalAssembly 进行了多种因果推理算法的基准测试，以验证别人的因果关系学习算法在真实数据中的正确性和有效性。

    Jun, 2023

  • 借助有效的非线性因果发现提升合成数据生成

    本文设计了一种合成数据集生成器，用于生成能够在生成时间发现变量之间非线性因果关系的表格数据的合成数据集，并根据在常见模式中有效检索的特征限制因果发现，通过广泛的实验表明所提出的方法的有效性。

    Jan, 2023

  • 具加性父因果关系的结构复杂（SCARY）数据集

    本文提出了一种新类型的合成因果数据集 SCARY，包括 40 种情景、三个不同的种子和两种数据生成机制，可以帮助研究者在更现实的情况下探索因果推理。

    Apr, 2023

  • 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

  • 部分指定的因果模拟

    依据确定方法的操作条件，使用适当设计的 PARCS 模拟框架，合成基于因果图模型和各种可调参数的数据，进而更全面地检验因果推断。

    Sep, 2023

  • CausalTime: 用于因果发现基准测试的现实生成时间序列

    使用 CausalTime 流程生成类似真实数据的时间序列，带有地面真实因果图以量化性能评估，该方法为实际应用中评估时间序列因果发现算法提供了可行的解决方案，并可泛化到广泛领域。

    Oct, 2023

  • RealCause: 真实因果推断基准测试

    该研究论文使用灵活的生成模型提供基准，既可以提供因果效应的真实值，又可以代表真实数据，评估了 1500 多种不同的因果效应估计器，并提供证据表明使用预测指标选择因果效应估计器的超参数是合理的。

    Nov, 2020

  • 因果室：作为人工智能方法论实验台的真实物理系统

    通过构建名为因果室的计算机控制实验室，研究人员可以在各个领域中快速、廉价地生成大量来自非平凡但易理解的物理系统的数据集，并提供一种丰富的算法测试平台，解决因果发现、分布外泛化、变点检测、独立成分分析和符号回归等问题。

    Apr, 2024

  • CausalChaos！动态视觉场景中基于较长因果链的综合因果行动问题解答数据集

    利用卡通片的独特特性构建了新的挑战性因果 Why-QA 数据集 CausalChaos!，其中包含了较长的因果链并嵌入动态交互和视觉中，模型可以通过动画原理解决更具挑战性且明确定义的因果关系问题。同时，我们的研究还指出了更先进 / 明确的因果关系建模和视觉和语言的联合建模作为未来努力的重点领域。

    Apr, 2024

  • Causal-learn: Python 中的因果发现

    用于因果发现的开源 Python 库 causal-learn，集成了全面的因果发现方法，为实践者和研究人员提供了易于使用的 API，模块化构建块，详细的学习文档和综合的方法。

    Jul, 2023