Jun, 2024

利用较少条件独立性检验进行因果发现

PDF
TL;DR本研究旨在通过多项式数量的条件独立性测试来学习隐藏因果图的较粗糙表示，名为因果一致分区图（CCPG），它由顶点的一个分区和在其组件上定义的有向图组成，并满足方向性的一致性和其他有利于更细的分区的约束条件。此方法在因果图可识别的特殊情况下，通过多项式数量的测试，提供了首个有效的还原真实因果图的算法。
causal relationshipsconstraint-based causal discovery algorithmsconditional independence testscausal consistent partition graphidentifiable causal graph
发现论文，激发创造
  • 具有小条件集的因果图的表征和学习

    本文提出了一种基于有限数据进行稳健因果发现的算法 $k$-PC，通过对两个因果图的条件独立性约束进行比较建立了 $k$-Markov 等价。实验表明，$k$-PC 算法相较于传统 PC 算法，可以在小样本环境中实现更强大的稳健性。

    Jan, 2023

  • 祖先因果推断

    提出一种通过利用更粗粒度的原因信息表示来降低搜索空间的组合爆炸，从而极大地减少计算时间，并根据信心对原因预测进行评分的新方法，证明了方法的正确性和渐近一致性，并证明了该方法在合成数据上的优越性能，并将其应用于具有挑战性的蛋白数据集中。

    Jun, 2016

  • 基于约束的因果发现的逻辑特征化

    通过逻辑推理的方法，基于简单的关系逻辑陈述从部分观测到的关系推出因果关系的方法，可以在存在潜在变量和选择偏差的情况下找到对应局部祖先图的所有不变特征，发现每一个可识别的因果关系都对应了两种基本形式，因为该方法的基本构建块不依赖于图形结构，因此可以开发更稳健的推理，详细的询问方法和大规模应用方案。

    Feb, 2012

  • 利用自动条件独立推理实现因果发现算法的运行时验证 (扩展版本)

    CICheck 是一种运行时验证工具，旨在通过可靠性和隐私角度对因果关系发现算法进行加固。CICheck 采用一种声音且可判定的编码方案，将条件独立性关系问题转化为 SMT 问题，并通过四阶段决策过程和三个轻量级优化措施高效解决问题。CICheck 包含两个变体：ED-CICheck 和 ED-CICheck，分别用于检测错误的条件独立性测试（以提高可靠性）和修剪过多的条件独立性测试（以提高隐私性）。

    Sep, 2023

  • 在高维结构假设空间上的因果发现与因果图分区

    我们定义了一种新颖的因果图分区方法，利用超结构的概念对搜索空间进行划分，证明了使用因果图分区进行学习总是得到真实因果图的马尔可夫等价类，我们的算法在生物调节网络推断和其他高维结构假设空间中实现了可比较的准确性和更快的解决时间。

    Jun, 2024

  • 条件独立图上的知识传播

    本研究提出了在条件独立图上进行知识传播的算法，实验证明该技术在公开可用的 Cora 和 PubMed 数据集上优于现有技术。

    Aug, 2023

  • 邻接 - 信实性与保守型因果推断

    本文研究因果推断算法中所使用的 Faithfulness 条件，并提出了 Adjacency-Faithfulness 和 Orientation-Faithfulness 两个组成部分。我们发现，只需假设满足 Adjacency-Faithfulness 条件，就可以测试 Orientation-Faithfulness 的有效性，并通过修改 PC 算法使其在该条件下更为正确。与 PC 算法相比，在 Adjacency-Faithfulness 条件下，修改后的保守 PC 算法能够减少输出虚假因果关系的个数，并在大样本限制下具有相同的结果。

    Jun, 2012

  • 基于约束的算法用于发现具有循环、潜在变量和选择性偏差的因果关系

    本文介绍了一种称为循环因果推断（CCI）的算法，能够在条件独立神经元操作符下对循环因果过程进行有效推断，如将循环因果过程表示为非递归线性结构方程模型与独立误差。实证结果表明，CCI 在循环情况下优于 CCD，且在无环情况下与 FCI 和 RFCI 竞争力不相上下。

    May, 2018

  • 在潜在混淆因素和选择偏差可能存在的情况下进行迭代因果分析

    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

  • 基于约束的无序因果结构学习

    本研究考虑基于约束的因果结构学习方法，特别关注 PC 算法在高维数据中存在的顺序依赖性并提出多种改良方法，模拟实验和酵母基因表达数据验证表明改良后的算法在高维数据中表现更优。

    Nov, 2012