- 使用高阶 Markov 切换模型识别非平稳因果结构
通过建立高阶马尔可夫切换模型的可辨识性,我们提出了基于制度依赖因果关系的发现方法,并通过实证研究展示了该方法在高阶制度依赖结构估计上的可扩展性,并对脑活动数据的适用性进行了说明。
- 贝叶斯干预优化用于因果发现
我们提出了一种基于贝叶斯优化的方法,通过活动干预来最大化获取决定性和正确证据的概率,从而有效地发现因果关系,并增强理论进展的实际应用。
- DCDILP:一种用于大规模因果结构学习的分布式学习方法
本文通过分割和征服框架提出了一种新的因果关系发现方法。通过将问题分解成定义在 Markov 毯子上的较小子问题,所提出的 DCDILP 方法首先并行地探索这些子问题的局部因果图。然而,由于存在隐藏的混淆变量(每个 Markov 毯子中的变量 - 混合有向无环图中的干预因果发现
通过干预来学习混合因果模型中变量之间的因果关系是一项具有挑战性的任务,本文提出了匹配性的必要和充分条件以及一种自适应算法,用于学习混合因果模型中的所有真实边,具有最佳干预效果并在混合模型不包含循环关系时尺寸最小。
- 使用张量秩条件学习离散潜在变量结构
通过对观察变量集 $X_p$ 的条件集的最小支持率进行张量秩条件探测,我们可以确定潜在变量的秩,并在某些结构假设下识别出潜在因果结构。
- 高效决定无弓型无环路径图的代数等价性
对于包含潜在混淆因素的因果发现问题,存在超越条件独立性的约束条件,可以使因果发现算法能够区分更多的图对。在没有圆弓的线性结构方程模型的设置下,我们研究了代数约束,并认为这些约束提供了最精细的解析度。我们提出了有效的算法,判断两个图是否施加相 - 个性化的二项式有向无环图学习与网络结构协变量
本文研究利用多元计数数据进行因果发现,引入个性化的二项式有向无环图模型以应对用户异质性和观测之间的网络依赖关系,通过将网络结构嵌入到降维协变量中来学习所提出的有向无环图模型,并探索方差 - 均值关系以确定节点的顺序。通过模拟实验证明我们的算 - 在高维结构假设空间上的因果发现与因果图分区
我们定义了一种新颖的因果图分区方法,利用超结构的概念对搜索空间进行划分,证明了使用因果图分区进行学习总是得到真实因果图的马尔可夫等价类,我们的算法在生物调节网络推断和其他高维结构假设空间中实现了可比较的准确性和更快的解决时间。
- OCDB:重新审视因果推断的全面基准和评估框架
基于真实数据,我们提出了一个灵活的评估框架,在评估因果结构和因果效应的差异方面具有关键属性,可以提高大型语言模型的可解释性。我们引入了基于真实数据的开放式因果发现基准(OCDB),以促进公平比较和算法优化。实验结果显示,现有算法在真实数据上 - 贝叶斯因果探索评估中的挑战与考虑
在因果关系发现中,表示不确定性是实验设计的关键组成部分,而贝叶斯因果发现(BCD)提供了一种原则性的方法来包括这种不确定性。本研究通过剖析各种度量标准,并了解其局限性,通过广泛的实证评估,发现许多现有度量标准在与真实后验分布的逼近质量之间缺 - 从时间聚合的独立同分布数据中恢复因果关系的可行性
我们研究了时间聚合对一般设置中即时(非时间)因果发现的影响,发现聚合效果使得时间延迟因果关系消失,即时依赖关系显现。我们提出了功能一致性和条件独立一致性的概念,以形式化的方式对应于基于功能因果模型的方法和基于条件独立的方法,并给出了满足这些 - 线性结构因果模型的因果抽象学习
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 - Do Finetti:对可交换数据的因果效应研究
在非独立同分布数据的情景中,我们研究因果效应的估计,重点关注满足独立因果机制假设的可交换数据。为了弥补现有因果效应估计框架的不足,我们开发了针对可交换数据的广义框架,并引入了截断因式分解公式,以促进在我们的情景中对因果效应的识别和估计。为了 - 直接歧视的结构证据的本地因果发现
发展公平性应用的高效因果发现方法,我们引入局部发现直接歧视(LD3):一种多项式时间算法,用于提取直接歧视的结构证据,并证明该准则由 LD3 返回的知识满足,增加了加权控制直接效应作为因果公平性度量的可靠性。以肝脏移植分配为案例研究,我们展 - 带有局部搜索的混合全局因果发现
在观测数据中进行因果发现是一项具有挑战性的任务,本研究提出了一种新颖的混合方法,结合局部因果子结构,通过引入拓扑排序算法和非参数约束算法,在线性和非线性设置中实现了全局因果推断,并在合成数据中进行了验证。
- 用 DAG-Onion 方法改进因果发现的模拟验证
人工智能算法、因果发现、模拟设计、线性模型、有向无环图(DAG)
- ICML适应性在线实验设计用于因果推断
在线学习中基于干预样本历史的分离图系统相匹配的追踪停止因果发现算法优于现有方法,通过较少的样本实现更高准确性的因果图学习。
- 论证性因果探索
使用符号表示对假设引导论证(ABA)进行推理可以支持因果关系的发现,此方法在使用答案集编程(ASP)实现后在因果发现的标准基准测试中表现良好。
- 基于模糊知识和复杂数据互补的弱监督因果推断
KEEL 是一种弱监督的模糊知识和数据驱动的因果发现方法,能够提高在高维度和小样本场景中因果关系发现的泛化能力和鲁棒性。
- CausalDisco: 使用知识图谱链接预测进行因果发现
CausalDisco 是一种将因果关系发现作为知识图谱补全问题的新方法,支持因果解释和因果预测,并通过比较多个知识图嵌入算法在模拟视频数据集上的表现,证明了使用加权因果关系能够提高因果关系发现的性能。