用 DAG-Onion 方法改进因果发现的模拟验证
DagSim 是一个无任何变量类型或函数关系约束的基于 DAG 的数据模拟的 Python 框架，具有清晰的结构分层和分离用户定义的函数来生成每个变量，用于控制图像形状和生物序列模式的元数据变量是 DagSim 的应用案例之一。
May, 2022
我们开发了一种新颖的卷积结构，专门用于从有向无环图 (DAGs) 的数据中学习。通过 DAGs，我们可以建模变量之间的因果关系，但它们的幂零邻接矩阵给开发 DAG 信号处理和机器学习工具带来了独特挑战。为了解决这个限制，我们利用了近期的进展，提供了 DAG 上信号的因果转变和卷积的备选定义。我们开发了一种新颖的卷积图神经网络，集成了可学习的 DAG 滤波器，以考虑图拓扑引起的部分排序，从而为学习 DAG 支持数据的有效表示提供了有价值的归纳偏见。我们讨论了所提出的 DAG 卷积网络（DCN）的显著优势和潜在限制，并使用合成数据在两个学习任务中评估其性能：网络扩散估计和源识别。DCN 相对于几个基线表现出有利的比较，展示了它的潜力。
May, 2024
近年来对因果学习的兴趣逐渐增加。常用的因果结构表示方法，包括贝叶斯网络和结构方程模型（SEM），采用有向无环图（DAG）形式。我们提供了一种新颖的混合整数二次规划表达和相关算法，用于识别可识别的 50 个顶点的 DAGs。我们称之为 ExDAG，即精确学习 DAGs 的方法。尽管存在阻止循环形成的超指数个约束条件，该算法通过添加违反找到解的约束条件，而不是在每个连续值放宽中施加所有约束条件。我们的实验结果表明，在考虑高斯噪声时，ExDAG 在精度方面优于当地最先进的求解器，在扩展性方面优于最先进的全局求解器。我们还提供了对其他噪声分布的验证。
Jun, 2024
本文研究利用多元计数数据进行因果发现，引入个性化的二项式有向无环图模型以应对用户异质性和观测之间的网络依赖关系，通过将网络结构嵌入到降维协变量中来学习所提出的有向无环图模型，并探索方差 - 均值关系以确定节点的顺序。通过模拟实验证明我们的算法在异质数据上胜过现有的竞争对手，并在实际的网页访问数据集上验证了其实用性。
Jun, 2024
本研究针对模拟的有向无环图模型，发现可以通过增加噪声来影响结构学习算法。引入 VarSortability 作为评估指标，探讨边缘方差与因果关系之间的关联性。结果表明，在一些连续结构学习算法中，高的 varsortability 能匹配一些基本的基线方法。然而，这种性能可能不会转移至真实世界的数据，因为 varsortability 可能很中庸或取决于测量尺度的选择。
Feb, 2021
基于连续优化框架通过引入松弛且可实现的充分条件，证明了一类可辨识的结构方程模型 (SEM)，在此基础上提出了一种新颖的有法考虑噪声方差变异的 DAG 学习方法，并设计了一个有效的两阶段迭代算法来解决优化困难，实现对具有异方差变量噪声和不同方差的数据的因果 DAG 学习。在合成数据和实际数据上，实验结果显示该方法明显优于现有方法。
Dec, 2023
提出了一种新的算法，从线性结构方程模型（SEM）生成的数据中学习有向无环图（DAG）。该算法证明在新设置中的可识别性，并显示与之前的 DAG 学习方法相比，少量有噪声的 root causes 能提供优异性能。
May, 2023