从单变量干预推导因果顺序：保证与算法

May, 2024

从单变量干预推导因果顺序：保证与算法

Deriving Causal Order from Single-Variable Interventions: Guarantees & Algorithm

Mathieu Chevalley, Patrick Schwab, Arash Mehrjou

TL;DR根据数据分布的实际假设，本研究引入了干预忠实度的概念以及一种用于推断因果关系的得分，同时提出了一种名为 Intersort 的算法，能够从包含大量单变量干预的数据集中近似地优化因果顺序，为进一步改进因果推断提供了重要的潜力。

Abstract

Targeted and uniform interventions to a system are crucial for unveiling causal relationships. While several methods have been developed to leverage interventional data for causal structure learning, their practi

causal relationships interventional data real-world scenarios interventional faithfulness causal inference

发现论文，激发创造

基于排列的带干预因果推断算法

本文提出了两种利用观测和介入数据学习基因调控网络的算法，并证明了这两种算法在符合无偏性假设的情况下均具有一致性保证。同时，这些算法具有非参数性质，适用于分析非高斯数据。本文还对这两种算法在模拟数据，蛋白质信号数据和单细胞基因表达数据上的性能进行了分析。

May, 2017

基于置换的因果结构学习（未知干预目标）

针对部分或完全未知的干预目标的混合观测和干预数据的因果 DAG 模型估计问题，本文提出一个算法来寻找干预马可夫等价类，此算法采用贪心策略在排列空间中搜索以最小化新的分数函数，同时该算法是无参数的，因此适用于非线性关系和非高斯分布的情况，性能表现已被验证。

Oct, 2019

软干预下因果解缠识别保证

本论文提出了一种基于潜在变量和因果模型的预测建模方法，以预测基因组学中联合扰动效应，并证明了该模型在无限数据极限下可以恢复潜在因果模型。

Jul, 2023

从干预数据中主动学习因果模型的两种最优策略

本文提出了两种基于最优实验设计策略的主动学习方法，用于求解因果 DAG 的最优干预目标，以改进因果 DAG 的边缘识别。其中第二种策略在多项式时间内得到任意大小的最小目标集，保证因果 DAG 的全识别。在模拟研究中，两种主动学习方法与随机干预进行比较，并分析估计误差对主动学习性能的影响。

May, 2012

干预在何地、何种方式？大规模因果模型的实验设计

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

从未知干预中学习神经因果模型

本研究提出了一个基于连续优化和神经网络的框架，以创建联合观测和干预数据模型的方法，能在不知情干预变量的情况下获得强大的基准结果，包括从合成图和来自 Bayesian Network Repository 的标准图中恢复结构。

Oct, 2019

基于约束的多重干预交叠变量集合因果发现

该论文提出了一种算法，称为 COmbINE，可以处理来自不同数据分布下的重叠变量集合的数据集合，将数据的依赖关系和独立性转化为路径约束，并将它们编码为一个 SAT 实例，并将所有模型的不变和变异结构特征作为输出，方便地进行分析研究。

Mar, 2014

非目标干预下的因果发现

该研究论文提出了一种基于随机干预的因果发现模型，通过最小化干预次数来解决因果发现问题，提供了多对数竞争比的近似算法，并给出了一些初步实验结果。

Feb, 2024

利用双变量因果发现集成重叠数据

本文将双变量因果发现算法用于解决多数据集间有重叠变量时的一致因果结构学习问题，算法表现在合成和真实数据上都优于之前的方法。

Oct, 2019

混合有向无环图中的干预因果发现

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