线性结构因果模型中识别复杂性研究
本文研究了基于条件独立性的因果发现方法下的数据生成过程假设,提出了可以跨越线性函数关系的可识别的功能模型类(IFMOCs)来确定完整的因果图,并提供了实用的算法和理论实验支持。
Feb, 2012
本文研究了从观察数据中学习线性结构方程模型(SEMs)的算法问题,旨在实现计算和统计效率,解决较一般的识别问题并没有考虑“信仰”假设的情形,提供了一个高效的算法,能够在不同噪声分布的情况下恢复SEM的有向无环图结构。
Jul, 2017
探讨线性系统中存在测量误差时的因果推断问题,在鉴定列的置换和缩放范围内确定混合矩阵的情况下,发现这个问题与存在未观察到的无父原因的因果推断问题之间有相当惊人的联系,并提出了因果结构学习方法并在合成数据上评估了它们的性能。
Nov, 2022
从观察到的低级数据中揭示潜在高级因果表征是因果表征学习的目标之一,本文通过对多个环境中潜在因果变量之间因果影响的变化进行识别性探索,扩展了潜在因果模型的范围以涉及非线性因果关系,并且提出了一种新的经验估计方法,通过理论发现为学习一致的潜在因果表征提供了可行性。
Oct, 2023
该论文研究因果关系表示学习,通过从我们观察到的低级数据中恢复高级潜在变量和它们之间的因果关系,假设可以访问从多个环境生成的观测结果。作者提出了一种可证明在无法使用硬干预的情况下所能达到的最佳可识别性概念,并针对线性因果模型和一般非参数因果模型提供了相应的可识别性保证。
Nov, 2023
采用线性因果模型的线性抽象函数,本研究首先确定了低级系数和抽象函数如何决定高级系数,以及高级模型如何约束低级变量的因果顺序;然后,通过观测数据学习了高级和低级因果模型及其抽象函数,并提出了一种名为Abs-LiNGAM的方法,利用所学高级模型和抽象函数所引导的约束,加快了更大规模低级模型的恢复过程,假设产生噪声项为非高斯分布;通过模拟实验验证了从数据中学习因果抽象的有效性以及我们的方法在改善因果发现的可扩展性方面的潜力。
Jun, 2024