- 根据祖先关系进行变量分组的因果图学习
该论文提出了一种基于变量的祖先关系分组的新算法 CAG,通过分组变量减少计算量和提高估计准确性,特别是在样本量相对较小且模型稀疏的情况下,在计算时间和估计准确性方面优于原始的直接 LiNGAM 方法和其他分治算法。
- 从不完整数据学习循环因果模型
在本研究中,我们提出了一种名为 MissNODAGS 的新框架,用于从部分缺失的数据中学习循环因果图。通过合成实验和真实的单细胞干预数据,我们证明在部分缺失的干预数据上使用最先进的填充技术后进行因果学习相比之下,MissNODAGS 表现出 - 调整识别距离:因果结构学习中的一个 Gadjid
评估因果发现算法学习到的图形是困难的:两个图形之间不同的边的数量不反映它们在提供因果效应的标识公式方面的差异。我们介绍了一种开发图形之间因果距离的框架,其中包括有向无环图的结构干预距离作为一种特殊情况。我们利用这个框架开发了改进的基于调整的 - 因果结构学习算法对超参数选择的稳健性
该研究论文探讨了超参数对因果结构学习任务的影响,并对不同复杂度的数据集上的一些经典学习算法的超参数选择进行了实证评估。研究发现,在集成设置下,超参数选择强烈影响算法的选择,选择不当的超参数可能导致分析人员使用无法为其数据提供最先进性能的算法 - LLM 导向的因果推断
基于观察数据的因果推断核心是确定可靠的因果图。本文研究表明,仅凭因果顺序而非完整图信息便足以进行因果效应推断。同时,我们利用大型语言模型(LLMs)作为虚拟领域专家,提出了一种从 LLMs 中获取因果顺序的鲁棒技术。实验证明,与传统的发现算 - 因果发现中的假设违规和评分匹配的鲁棒性
本研究对观测因果发现方法的实证表现进行了广泛的基准测试,发现基于分数匹配的方法在具有挑战性的情景中推断图的假阳性和假阴性率方面表现出令人惊讶的性能,并提供了理论洞察。该研究还首次尝试基于超参数值评估因果发现算法的稳定性。希望这篇论文能够为因 - IT 监控时间序列的因果发现案例研究
使用因果发现算法对不同的信息技术监控数据集进行案例研究,突出了优势和挑战。
- $ exttt {causalAssembly}$: 生成逼真的生产数据以进行因果关系发现的基准测试
本研究通过收集来自装配线的复杂数据集,建立了一个半合成制造数据的系统,通过分析其中的因果关系和使用 Python 库 causalAssembly 进行了多种因果推理算法的基准测试,以验证别人的因果关系学习算法在真实数据中的正确性和有效性。
- 多中心临床研究中的缺失数据因果发现
本研究使用多中心子宫内膜癌的数据分析不同缺失机制对因果图的影响,通过扩展最先进的因果发现算法来利用专家知识,验证得到的图形的良好拟合度和一致性。
- 使用多数据因果发现选择机器学习应用的稳健特征
通过提出多数据因果特征选择方法,该方法利用 Tigramite Python 包实现的 PC1 或 PCMCI 因果发现算法,对多个时间序列数据集进行处理,过滤出有因果关系和值得关注的变量进行输入,从而有效地预测了西太平洋热带气旋的统计强度 - AAAI基于顺序图的强化因果结构学习
本研究提出了一种使用强化学习和顺序图来学习因果结构的方法,称为 RCL-OG。 在合成和基准数据集上的实验表明,RCL-OG 提供了准确的后验概率近似,并比竞争的因果发现算法取得了更好的结果。
- AAAI通过关系消环来学习具有环的关系因果模型
在关系因果模型中,通过关系回路对复杂的动态系统进行建模和推理,本文引入了一种关系去环操作,探讨了用于循环关系因果模型的约束关系因果发现算法的充分必要条件。
- 混淆变量下的因果发现
本研究提出一种名为 “混淆毯原则” 的结构假设,使得我们设计的因果关系推断算法能够适用于高维数据,同时保持多项式复杂度。我们演示了我们的方法在模拟和真实数据集上的运作,包括一个用于线性和非线性系统的推断过程和有限样本误差控制。
- 因果发现技术的比较基准测试
本文介绍了引人注目的因果发现算法,分为两大类:(1)假设无环和无潜变量,(2)允许循环和潜变量,并从结构准确性、标准预测准确性和反事实推理准确性三个方面对它们进行了实验比较。