- 对于分数匹配的样本复杂度界限:因果发现和生成建模
本文提供了得分匹配(Score-Matching)及其在因果发现中的应用的统计样本复杂性界限。我们证明了通过使用随机梯度下降训练标准的深度 ReLU 神经网络可以实现对得分函数的准确估计。我们建立了在得分匹配方法中基于 Rolland 等人 - 使用最佳顺序分数搜索和增长缩小树快速可扩展精确发现有向无环图
通过引入最佳次序得分搜索(BOSS)和增长 - 收缩树(GSTs)方法,我们在学习因果图过程中提出了一种有效的方法,其能够解决包含数百个高度连接变量的问题,例如从 fMRI 数据中恢复脑网络。通过在变量的排列组合上进行贪婪搜索,并使用 GS - 通过分数匹配的因果推断非线性模型的快速方法
利用模拟数据在因果发现领域普遍存在,本文对线性数据和非线性模型中方差的演变模式进行了研究,并引入了 ScoreSort 算法。通过理论和实证分析发现 ScoreSort 在统计效率上相较于之前的方法具有优势,认为缺乏数据多样性限制了非线性因 - 关于利用冯・米塞斯估计器进行条件独立性检验的样本复杂性及其应用于因果推断
基于我们的估计器建立的多元分布的熵的非参数 Von Mises 估计器,在条件独立性测试这一关键步骤上受到启发,我们设计了一种基于估计器的条件独立性测试(VM-CI),在光滑性假设下达到了最优的参数速率。利用指数集中不等式,我们证明了 VM - 模型导向的强化学习在 DAG 空间的树搜索中的应用于因果关系发现
通过树搜索的模型驱动增量式有向无环图建立,提出了一种基于因果关系的强化学习方法,并通过一个有效算法证明了排除引入循环边缘的正确性,实现了在有向无环图空间中更深层的离散搜索和抽样,为组合方法提供了有希望的进展。
- 通过传输熵进行因果特征选择
我们提出了一种新颖的方法,结合了特征选择和因果发现,专注于时间序列,通过使用前向和后向特征选择程序,并利用传递熵来估计从特征到目标的因果信息流,实现了特征的选择不仅仅基于模型性能,还捕捉到因果信息流。
- 从时间序列数据中发现结构因果模型的混合物
从混合不同因果模型的时间序列数据中,利用证据下界最大化的方法进行因果发现,经过实验证明在探测来自不同因果图的数据时,该方法优于现有基准模型。
- 利用数论将无限时间序列表示为有限边际图
我们开发了一种方法,用于将具有重复边缘的无限时间序列图投影到有限时间窗口上的边缘图模型,这些有限的边缘图模型为无限图的 $m$-separation 查询提供了答案,并在时间序列的因果发现和因果效应估计中发挥作用。
- 可解释的模仿学习的动态有向无环图发现
通过曝光由动态因果图表示的知识,以增加神经代理的可解释性并提供更好的解释能力,我们设计了一种自解释的模仿学习框架,能够学习动态因果图以理解模仿学习的决策过程并保持高预测准确性。
- 因果推理:为下一代 AI 原生无线网络绘制颠覆性的路线
基于因果推理建立人工智能原生无线网络的综述。
- 人机循环因果发现在潜在混杂下的祖先 GFlowNets
借助生成流网络,利用原始信念分布比例对因果祖先图进行采样,然后通过层次变量间关系的有力实验设计,迭代地与专家互动,有效减少对因果祖先图的不确定性。通过重要性采样结合人的反馈,更新我们的样本,提高推理质量,并不需要因果充足(即可能存在未观察到 - 个性化学生学习的因果发现与反事实解释
通过因果发现技术,本研究着重于确定学生表现的原因,以提供个性化的改进方法;通过识别因果预测因素并应用对照分析来提供个性化建议;在教育背景中使用因果推断的挑战、益处和限制得到了详细描述。
- 因果发现与预测:方法与算法
我们提出了一种新的主动学习算法,通过一系列成本最低的干预来识别任何给定因果模型中的因果关系,同时引入了对时间周期性因果设置的形式化分析,并提供了一种可靠完备的算法来识别循环设置中的因果效应。
- 利用自动条件独立推理实现因果发现算法的运行时验证 (扩展版本)
CICheck 是一种运行时验证工具,旨在通过可靠性和隐私角度对因果关系发现算法进行加固。CICheck 采用一种声音且可判定的编码方案,将条件独立性关系问题转化为 SMT 问题,并通过四阶段决策过程和三个轻量级优化措施高效解决问题。CIC - 一种因果发现方法:学习城市形态如何塑造跨洲可持续流动性
全球可持续性要求低碳城市交通系统,通过充足的基础设施、低碳交通方式的部署和出行行为转变来塑造;为了适当地实施基础设施的改变,必须理解建成环境对交通的区域特定因果关系机制的影响。本研究使用因果发现和可解释机器学习框架,利用三大洲六个城市的高分 - 因果结构学习中的非线性、反馈与一致性
寻找自动化搜索方法,从观察数据中学习因果结构;讨论潜变量和观察变量之间的因果联系以及它们之间的潜在模式和结构;提出了不同于高斯分布条件的 k - 三角性忠诚度的另一定义,可用于非高斯分布;轻松学习具有潜变量的因果结构的充分性假设。
- Causal-learn: Python 中的因果发现
用于因果发现的开源 Python 库 causal-learn,集成了全面的因果发现方法,为实践者和研究人员提供了易于使用的 API,模块化构建块,详细的学习文档和综合的方法。
- UPREVE:一个端到端因果发现基准系统
UPREVE 是一种用户友好的基于网络的图形用户界面,旨在简化因果推断过程,同时允许用户同时运行多个算法、可视化因果关系并评估所学因果图的准确性,以使因果发现更易于理解并获取有价值的洞见以支持更好的决策。
- 自我兼容性:无需基准事实进行因果关系探索的评估
通过测试不兼容性来检测错误推断的因果关系,以支持因果模型的选择,并提供了因果发现算法在模拟数据中的评估方法。
- 从查询工具到因果架构:利用大型语言模型从数据中进行先进的因果发现
本文提出了一种结合基于知识的 LLMs 因果分析和数据驱动因果结构学习的新框架,以构建因果结构学习的新范式,并介绍了一套广泛的提示组,以从给定变量中提取因果图,并评估 LLM 先前因果对从数据中恢复因果结构的影响