关键词causal directed acyclic graphs
搜索结果 - 6
- 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 - 基于贝叶斯的从未知一般干预中发现因果关系
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 - dotears: 使用观测和干预数据进行可扩展、一致的 DAG 估计
使用可观测数据和干预数据推断单个因果结构的可伸缩结构学习框架,能够直接估计外生误差结构,绕过了循环估计问题,并在大型随机 DAG 的各种模拟中优于现有方法。最后,证明了该框架是真正 DAG 的可证估计器。
- ICML自激励和相互激励时间序列的因果图探索
提出一种泛化线性结构因果模型,通过新型数据自适应线性正则化,从时间序列中恢复因果有向无环图。
- 动态系统中的公平因果模型
本文介绍因果有向无环图作为公平性动态系统研究的一个统一框架,阐明了因果假设如何表达和操作,说明了计算干预数量的重要性,并说明了因果假设能够在已知环境动态的情况下进行模拟和在未知动态下进行干预估计,以实现对短期和长期结果的干预,无论是在群体还 - 使用连续加性噪声模型进行因果推断
研究学习因果有向无环图从观察到的联合分布,探索一种基于结构方程模型的可识别因果图的替代方法,并提供针对有限样本的实用算法和实证研究。