在高维结构假设空间上的因果发现与因果图分区

Jun, 2024

在高维结构假设空间上的因果发现与因果图分区

Causal Discovery over High-Dimensional Structured Hypothesis Spaces with Causal Graph Partitioning

Ashka Shah, Adela DePavia, Nathaniel Hudson, Ian Foster, Rick Stevens

TL;DR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。

Abstract

The aim in many sciences is to understand the mechanisms that underlie the observed distribution of variables, starting from a set of initial hypotheses. causal discovery allows us to infer mechanisms as sets of cause and effect relationships in a generalized way -- without necessarily

causal discovery hypothesis space causal graph partition markov equivalence class gene regulatory network inference

发现论文，激发创造

带有局部搜索的混合全局因果发现

在观测数据中进行因果发现是一项具有挑战性的任务，本研究提出了一种新颖的混合方法，结合局部因果子结构，通过引入拓扑排序算法和非参数约束算法，在线性和非线性设置中实现了全局因果推断，并在合成数据中进行了验证。

May, 2024

利用较少条件独立性检验进行因果发现

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。

Jun, 2024

潜在类别混淆下的因果发现

使用有向无环图来建模系统的因果结构。在多个数据源（群体或环境）的数据聚合中，全局混淆模糊了许多因果发现算法中的条件独立性属性。因此，现有的因果发现算法不适用于多源设置。我们证明，如果混淆的基数有限（即数据来自有限数量的源），仍然可以实现因果发现。该问题的可行性取决于全局混淆因素的基数、观测变量的基数和因果结构的稀疏程度的权衡。

Nov, 2023

从因果对到因果图

通过概率分布和因果关系特征，提出了一种计算效率高的因果结构学习方法，并在合成和真实数据集上进行了验证。

Nov, 2022

使用排名约束的潜在分层因果结构发现

本文提出了一种估算过程，可以高效确定潜在变量的位置，确定它们的基数，并识别潜在的分层结构，同时考虑到多个变量之间的多条路径，使得提出的算法可以在合适的图结构限制下渐近地找到整个图的正确马尔科夫等价类。

Oct, 2022

CUTS+：从不规则时间序列中进行高维因果发现

本文提出了 CUTS + 方法，该方法结合了 Granger 因果关系、粗到细发现技术和基于信息传递的图神经网络，以克服时间序列数据中高维度和缺失值的限制，从而取得了很好的因果发现性能。

May, 2023

适应性在线实验设计用于因果推断

在线学习中基于干预样本历史的分离图系统相匹配的追踪停止因果发现算法优于现有方法，通过较少的样本实现更高准确性的因果图学习。

May, 2024

将因果推断重新解释为预测未观测的联合统计量的任务

通过因果推断方法可以推断未被观察到的联合分布的性质，进一步定义了一种从已观察到的变量中引入因果模型来推断未观察到变量的统计性质的学习场景，并且通过推导因果模型的 VC 维，得出了预测的泛化界限。

May, 2023

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

因果发现技术的比较基准测试

本文介绍了引人注目的因果发现算法，分为两大类：（1）假设无环和无潜变量，（2）允许循环和潜变量，并从结构准确性、标准预测准确性和反事实推理准确性三个方面对它们进行了实验比较。

Aug, 2017