贝叶斯干预优化用于因果发现
本文研究了在可以进行一系列干预的因果模型中全局优化感兴趣的变量的问题,提出了一种新算法 Causal Bayesian Optimization (CBO),结合了因果推断、不确定性量化和序贯决策等思想,同时考虑了经典的探索 - exploitation 与新型的观测 - intervention 的平衡,通过应用于不同场景中,显示出了该方法的优越性。
May, 2020
本文提出了一种受到约束的因果贝叶斯优化方法(cCBO),可在已知因果图中找到优化目标变量并符合某些约束条件的干预措施;我们提出了不同的代理模型,能够融合观察和干预数据,并捕获不同层次的效果相关性。在人工和真实世界的因果图中进行了评估,显示出快速收敛和可行性干预比例间的成功权衡。
May, 2023
本文提出了一种基于贝叶斯方法和高斯过程的主动学习框架 ——ABCI,该框架可同时进行因果图推断和因果推理,通过最大信息设计测量,从少量样本中更加高效地准确学习下游的因果查询,并为有关量提供良好的预测不确定性估计。
Jun, 2022
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
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
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
本文提出了一种基于模型和因果贝叶斯优化算法的方法,学习一个完整的系统模型并通过乐观的原则进行探索和开发,以解决在未知结构方程模型下如何干预以最大化目标变量的问题,并通过实验得到了有益的结果。
Nov, 2022
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