ICMLJun, 2024

可扩展和灵活的因果发现与有效的邻接测试

PDF
TL;DR通过训练神经网络，我们建立了一种名为 Differentiable Adjacency Test（DAT）的方法，用以评估两个变量是否相邻于因果图。基于 DAT，我们构建了一种名为 DAT-Graph 的图学习方法，可以从数据中学习具有 1000 个变量的图，并能够更准确地预测干预对大规模 RNA 测序数据的影响。
发现论文，激发创造
  • 可微因果发现中的未测混杂

    通过不可测量变量存在的混淆系统推导不可追踪混杂图（ADMGs）的状态，从而将因果发现视为连续优化问题，并设计不同的可微过程来发现线性方程组的最佳拟合 ADMG 结构。

    Oct, 2020

  • 可训练相邻矩阵的图神经网络用于多元传感器数据故障诊断

    本文提出使用基于图的神经网络模型实现化学制程中的故障诊断，在训练过程中构建图并使用不同的邻接矩阵来捕捉不同传感器数据之间的相关性和隐藏关系。研究表明该方法的性能优于传统的循环神经网络。

    Oct, 2022

  • 可扩展的因果发现与分数匹配

    本文介绍了如何通过观测非线性加性高斯噪声模型对数似然函数的二阶导数来发现整个因果图，利用可扩展的机器学习方法来逼近得分函数，扩展了 Rolland 等人的工作，仅从得分中恢复拓扑顺序并要求昂贵的修剪步骤，从而导致 DAS (Discovery At Scale) 算法，这是一个实用的算法，可以将修剪的复杂性降低到与图形大小成比例的因子。在实践中，DAS 算法可以实现与当前最先进的技术相当的准确性，而速度则快了一个数量级。总的来说，我们的方法实现了基于原则且可扩展的因果推断，显着降低了计算门槛。

    Apr, 2023

  • 个性化的二项式有向无环图学习与网络结构协变量

    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

  • 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

  • 加权因果有向无环图的新度量和搜索算法

    通过研究自适应干预下的因果图发现，提出了一种新的基准，捕捉任何搜索算法的最坏干预成本，并提出了在各种设置下实现对数逼近的自适应搜索算法。

    May, 2023

  • 在有向无环图上进行多邻域协同学习

    通过开发一种新的基于约束的方法，该方法用于估计多个用户指定目标节点周围的局部结构，从而在邻域之间实现结构学习协调，进而促进无需学习整个有向无环图结构的因果发现。实验结果表明，我们的算法在学习邻域结构时具有更高的准确性，且计算成本较低于传统方法。

    May, 2024

  • 稳定可微因果发现

    通过引入新的约束条件和训练过程，我们提出了稳定可微分因果发现（SDCD）方法，以解决推断因果关系作为有向无环图（DAGs）的问题。SDCD 方法在收敛速度和准确性方面优于现有方法，并可扩展到数千个变量的情况。

    Nov, 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

  • 带有条件独立性检验的层次化拓扑排序对有限时间序列的应用

    通过引入有限时间序列数据和条件独立性检验，我们提出了一种层次拓扑排序算法（HT-CIT），以更高效地学习稀疏的有向无环图，从而比其他流行方法具有更小的搜索空间，并大大减少需要修剪的边的数量。来自合成和真实数据集的实证结果证明了所提出的 HT-CIT 算法的优越性。

    Aug, 2023