本次研究主要集中于建立更为丰富的因果模型,以此来解决基因因素与人类主要疾病之间的因果关系等问题,并且采用了现代概率建模的思想,如采用神经结构并结合隐式条件来建立该模型。
Oct, 2017
利用CausalKinetiX计算框架,可以从离散时间、噪声观察数据中识别动力学系统结构并生成一个基于因果的动力学模型,提升了预测性能以及实验之外的泛化能力。
Oct, 2018
提出了一种基于Bayesian方法的计算模型,用于从基因表达的高通量遗传数据中发现基因之间的局部因果关系。模型的应用结果表明,可以从稳定且保守的局部因果结构后验概率中推导出最有意义的调控关系。
Sep, 2019
本文研究在机器学习中从观察数据中识别因果关系的问题,探讨如何帮助学习高级变量及其中的因果结构,并介绍了一套基于强化学习的环境用于测试表示学习算法的性能。研究表明,模型中显式地融合结构和模块化有助于因果识别。
Jul, 2021
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
本文提出了一种能学习到只包含和我们感兴趣的结果相关的因果相关变量的必要和充分因果图(NSCG)的方法,该方法使用了因果关系的概率。我们开发了一个基于分数的算法来学习NSCG,并在模拟和真实数据的实证研究中展示了该算法的性能优于现有算法,并能揭示对于目标可遗传特征非常重要的酵母基因。
Jan, 2023
迭代式LLM监督CSL(ILS-CSL)框架通过将基于LLM的因果推理与CSL相结合,并从LLM中获得反馈,从而改进了因果有向无环图(DAG)的学习,提供了更强效的因果发现方法,并在八个真实世界数据集上的综合评估中表现出优越的性能,展示了其推动因果发现领域进步的潜力。
Nov, 2023
学习因果有向无环图(DAG)的问题,使用观测和干预实验数据的组合进行研究,采用贝叶斯方法从一般干预中进行因果发现,通过图形特征化和兼容先验的贝叶斯推断保证不可区分结构的分数等价性,利用马尔可夫链蒙特卡洛(MCMC)拟合DAG、干预目标和导致的父节点集合的后验分布,最后在模拟和真实蛋白质表达数据上评估了所提出的方法。
Dec, 2023
通过引入标准化操作,我们提出了内部标准结构因果模型(iSCMs),以解决结构因果模型数据中的方差和成对相关性增加的问题,并证明线性iSCMs在大系统中不会折叠成确定性关系,可能在超越所研究的基准问题的因果推断中是一个有用的模型。
Jun, 2024
本研究解决了仅依赖观察数据导致的因果结构可识别性局限性,提出了一种数学框架Bloom,能够同时整合干预数据和观察数据进行因果结构学习。研究表明,Bloom在收敛性和最优性方面表现出色,并在分布式环境中能有效降低通信开销和数据隐私风险。
Aug, 2024