ICMLJun, 2024

检测和识别连续数据中的选择结构

PDF
TL;DR我们探讨基于潜在目标的数据点选择在实际情境中普遍存在，这一选择过程常常扭曲统计分析。然而，我们认为该选择不仅仅是一种偏差，而是提供了深入了解隐藏生成过程的机会。因此，我们研究了选择在顺序数据中的因果结构，并证明了其可识别性，同时提出了一种算法来检测和识别选择结构以及其他类型的依赖关系。
selective inclusionlatent objectivesstatistical analysissequential datacausal structure
发现论文，激发创造
  • 自适应结构学习的无监督特征选择

    该论文提出了一种同时进行结构学习和特征选择的统一学习框架，通过相互作用识别出精确的数据结构并选择更多信息。实验结果表明，该方法在许多基准数据集上优于许多最先进的非监督特征选择方法。

    Apr, 2015

  • 局部基于约束的因果探究在选择偏差下的应用

    本研究探讨如何处理因选择偏差而导致的独立性约束偏差问题，并通过独立关系的局部模式，提出了一种基于 Y-Structure 的有限样本计分规则，成功地预测了选择机制下的因果关系，并在微阵列数据上表现出色。

    Mar, 2022

  • 在潜变量和选择偏差存在的情况下进行因果推断

    研究了寻找因果关系的可靠程序，即使存在潜在变量和选择偏差，通过测量变量之间的依赖关系，可以得出从一个变量到另一个变量的因果路径以及不存在这样的因果路径的可靠条件。

    Feb, 2013

  • 非线性潜在层次模型的识别

    本文研究了非线性潜在变量的分层因果模型的识别问题，并证明在一些缓和的假设下，可以实现因果结构和潜在变量的可识别性。

    Jun, 2023

  • 利用结构因果模型进行潜在选择建模

    选择偏差在现实世界的数据中普遍存在，如果不正确处理可能导致误导性的结果。我们介绍了一种在结构性因果模型 (SCM) 上进行条件操作的方法，以从因果的角度建模潜在选择。我们展示了该条件操作将具有明确潜在选择机制存在的 SCM 转化为不具有这种选择机制的 SCM，并部分编码了根据原始 SCM 选择子群体的因果语义。此外，我们还展示了该条件操作保留了 SCM 的简易性、非循环性和线性性，并与边际化交换。凭借这些特性，结合边际化和干预，条件操作为在潜在细节被抽象掉的因果模型中进行因果推理任务提供了有价值的工具。我们通过示例演示了如何将经典的因果推断结果推广到包括选择偏差的情况，并展示了条件操作在建模现实问题方面的帮助。

    Jan, 2024

  • 关于在存在隐变量和选择偏差时识别总效应的研究

    本文提出基于可识别因子模型的新的图形可识别性标准，以解决存在隐变量和选择偏差情况下，总效应识别问题。该标准可用于识别观察研究中的总效应，并为因子模型的识别条件提供了新的视角。

    Jun, 2012

  • 选择偏差下的边界反事实

    本研究提出一种算法来解决因果分析中的选择偏差，并证明了尽管存在选择偏差，可用数据的似然函数是单峰的。该算法可以用于解决可识别和不可识别查询，并通过因果期望最大化方案计算可识别情况下的因果查询值，否则计算上下界。实验表明该方法是实际可行的，并提供了理论收敛特性。

    Jul, 2022

  • 通过 L1-L2 优化实现结构化模型选择

    该研究提出了一种学习方法，通过稀疏最小二乘拟合和非凸 l1-l2 稀疏优化解决器来鉴定结构动力系统，该方法基于科学工程中的自动模型选择应用，研究了少样本和噪声空时数据的识别问题。

    May, 2023

  • 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

  • 特征选择作为深度顺序生成学习

    我们提出了一种深度序列生成学习方法来进行特征选择，该方法通过学习连续嵌入空间，将特征选择决策序列映射为与效用分数相关的嵌入向量，从而解决了传统方法中存在的离散搜索空间和专家特定超参数的问题。

    Mar, 2024