Jun, 2024

贝叶斯因果探索评估中的挑战与考虑

PDF
TL;DR在因果关系发现中，表示不确定性是实验设计的关键组成部分，而贝叶斯因果发现（BCD）提供了一种原则性的方法来包括这种不确定性。本研究通过剖析各种度量标准，并了解其局限性，通过广泛的实证评估，发现许多现有度量标准在与真实后验分布的逼近质量之间缺乏强关联，尤其是在 BCD 最受欢迎的低样本量场景中。我们的研究结果强调了根据真实后验分布的性质进行更加细致的新方法评估的重要性，同时指导和推动为这一挑战开发新的评估程序。
发现论文，激发创造
  • 基于约束条件的因果推断的贝叶斯方法

    本论文提出了一种结合贝叶斯方法和约束方法的算法，用于解决从有限数据集进行因果推断的准确性和稳健性问题。

    Oct, 2012

  • 贝叶斯神经网络推断的不确定性量化质量

    本研究通过对 10 种常见的推断方法在回归和分类任务中的预测不确定性估计结果进行实证比较，发现常用的指标可能会导致误导，并表明为了得到高质量的后验逼近并不一定需要具有捕获后验结构的推断创新。

    Jun, 2019

  • 基于经验贝叶斯方法的鲁棒性基于约束因果发现在不充足数据下的应用

    通过引入贝叶斯 - augmented 的频率独立性检验方法，可以解决数据量不足的问题来改善局限于有限数据的约束性因果发现方法的性能，由实验也表明相比于目前最佳方法在精确度和效率方面都有显著提高。

    Jun, 2022

  • 基于模型的近似贝叶斯计算的高效采样规则

    本文提出了一种基于贝叶斯优化 (Bayesian optimization) 和高斯过程 (Gaussian processes) 的 ABC (Approximate Bayesian computation) 后验分布估计方法，通过计算 ABC 后验密度的不确定性来定义损失函数，并选择下一个评估位置以最小化期望损失。实验表明，该方法通常比常见的 BO 策略产生更准确的近似。

    Apr, 2017

  • 引入一种改良的信息论预测不确定性度量

    应用机器学习模型进行决策需要区分模型所知与不知的内容。本文提供新的洞见，揭示当前预测不确定性度量的局限性，并引入了一种理论上可靠的度量方法来克服这些局限。实验证明，我们引入的度量方法在控制的合成任务中表现得更加合理，并且在利用预测不确定性的实际应用中具有优势。

    Nov, 2023

  • 贝叶斯干预优化用于因果发现

    我们提出了一种基于贝叶斯优化的方法，通过活动干预来最大化获取决定性和正确证据的概率，从而有效地发现因果关系，并增强理论进展的实际应用。

    Jun, 2024

  • 贝叶斯模型选择进行因果发现

    应用贝叶斯框架构建了一个新的因果模型，利用可识别因果方向的贝叶斯模型选择方法，在柔性模型类别中解决了数据集中的因果关系判断问题并且在各种生成数据假设下的性能优异。

    Jun, 2023

  • 关于近贝叶斯最优算法的不确定性量化

    本文介绍了一种用于解决常用机器学习算法的贝叶斯推断问题的新方法，证明了通过构建一个 martingale 后验分布，可以恢复由任务分布定义的贝叶斯后验。同时提出了一种适用于通用机器学习算法的实用不确定性量化方法，实验证明了该方法的有效性。

    Mar, 2024

  • BCD 网络：用于贝叶斯因果发现的可扩展变分方法

    本文提出了 Bayesian Causal Discovery Nets (BCD Nets)，它是一个用于估计线性 - Gaussian SEM 中描述一个 DAG 的概率分布的变分推理框架。本框架采用了连续松弛，适当的先验分布以及表达力强的变分族等重要设计，旨在解决实际情况下对潜在图进行的不确定性估计问题。最终实验表明，与基于最大似然的方法相比，BCD Nets 在低数据环境下的结构 Hamming 距离等标准因果分析评估指标上表现更好。

    Dec, 2021

  • 基于贝叶斯推断的 ABCD 方法改进与泛化

    通过使用贝叶斯机器学习工具，利用预先知识和事件层面的不同可观测量之间的依赖关系，将可用信息与常规的基于数据的 ABCD 方法相结合并推广，可以更好地描述由信号和许多背景组成的数据集，并从中提取信号、背景及其在样本中相对比例。

    Feb, 2024