- 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。
- Shapley-PC: 使用 Shapley 值进行基于约束的因果结构学习
用 Shapley 值来改进基于约束的因果结构学习算法,通过决定哪些变量对观察到的条件(独)立负责,证明其合理性和渐近一致性,并根据 CSL 的标准度量表现优于基于约束、基于搜索和基于功能因果模型的最先进方法。
- 大语言模型辅助的因果结构学习
迭代式 LLM 监督 CSL(ILS-CSL)框架通过将基于 LLM 的因果推理与 CSL 相结合,并从 LLM 中获得反馈,从而改进了因果有向无环图(DAG)的学习,提供了更强效的因果发现方法,并在八个真实世界数据集上的综合评估中表现出优 - 异方差因果结构学习
本研究旨在解决具有异方差噪声的因果结构学习问题。通过利用因果机制的正态性,我们可以恢复一个有效的因果排序,并使用一系列条件独立性检验唯一地识别因果有向无环图。结果是 HOST(异方差因果结构学习),一种简单而有效的因果结构学习算法,可以在样 - 利用马尔科夫毯交集学习因果结构
本文介绍了一种新的因果结构学习算法 EEMBI 及其扩展版本 EEMBI-PC,其中将贝叶斯网络和结构因果模型相结合,并将 PC 算法中的最后一步集成到 EEMBI 中。
- 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
- 实现可行的联邦因果结构学习
本研究提出了一个名为 FedC2SL 的联邦约束因果结构学习方案,它使用联邦有条件独立性检验学习因果图,该方案需要更弱和更现实的数据假设,并针对客户端数据变异提供更强的抗性,从而解决了在保护隐私方面存在的一些问题。实验结果表明,FedC2S - 土壤科学中基于知识引导的表征学习和因果结构学习
提出了一种框架,知识指导的表示学习和因果结构学习(KGRCL),通过匹配观察到的土壤过程的条件分布改进模拟土壤过程的表示学习,同时利用观察到的和模拟数据学习土壤过程的因果结构,这种方法可以加速土壤科学的科学发现,并在监督学习设置中利用学习的 - 减轻因果结构学习中的先前错误:迈向 LLM 驱动的先前知识
该研究旨在应用大型语言模型,利用 “文本输入” 方法来发现变量间的因果关系,以解决当前领域专家掌控下的先验错误问题;针对大型语言模型中三种潜在的先验错误(顺序一致错误、逆序错误和不相关错误),提出了一种无需人工干预的贝叶斯网络学习策略,并且 - ICML从时间推移到同时迭代的因果发现:在潜在混淆因素存在的情况下
提出了一种基于约束的算法,用于在存在潜在混杂因素的情况下从观测时间序列数据中学习因果结构,主要通过学习长期的时间关系优化因果图的结构,从而减少了所需统计测试的数量并在人造数据和真实数据上通过实验证明了其高准确性和更接近真实情况的因果图。
- 通过单调三角输运映射学习因果图
本研究使用最优传递(OT)来研究从数据中学习因果结构的问题,提供了一种基于下三角单调参数传输映射的约束方法来设计对噪声分布无偏置的条件独立性检验,还提供了一种可以处理潜在变量的因果发现算法,并使用一种新方法来定义分数,与现有技术进行了实验结 - 通过因果结构学习实现高效的 SAGE 估计
提出一个名为 d-SAGE 的算法,通过使用因果结构学习来识别条件独立性,并跳过与结果无关的特征组合,从而加速计算 Shapley 加性全局重要性(SAGE)算法的近似值。
- 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。
- 面向联邦环境的隐私感知因果结构学习
本文提出了一种新的联邦学习算法 FedPC,包含两种新的策略,旨在在不集中数据的情况下保护数据隐私,并在联邦学习环境中有效地进行因果结构学习。实验表明,FedPC 对联邦学习环境中的因果结构学习非常有效。
- ICML从因果对到因果图
通过概率分布和因果关系特征,提出了一种计算效率高的因果结构学习方法,并在合成和真实数据集上进行了验证。
- DoWhy-GCM: 用于图形因果模型因果推断的 DoWhy 扩展
DoWhy-GCM 是 DoWhy Python 库的扩展,利用图形因果模型,用户可以通过关注因果效应问题,识别异常值和分布变化的根本原因、因果结构学习、归因因果影响以及诊断因果结构。
- 使用 Wasserstein 生成对抗网络进行因果关系学习
DAG-WGAN 模型是一个自动编码器架构,它将基于 Wasserstein 距离的对抗性损失和无环约束相结合,从而在同时提高数据生成能力的同时学习因果结构。实验证明,该模型在高基数数据方面表现更好。
- KDD从观察数据中推断因果方向:复杂性方法
通过在离散或连续随机变量之间预测因变量来区分因果关系,我们提出了多个简单快速的标准,以检验因果关系,适用于广泛的因果机制和数据噪声类型。
- 低秩有向无环图与因果结构学习
通过利用有向无环图 (DAG) 因果模型的低秩假设,本文提出了一种新的方法来缓解在高维度设置中学习表示 DAG 的因果结构的问题,提供了图形条件和现有方法的适应性,并提供了经验证据支持低秩算法的实用性。
- 动态系统的因果模型
本书章节对于因果动力学模型的提出是对结构性因果模型的自然而直接的扩展,它提供了一种语言来建模干预情况下的系统响应,着重于动态本身而非相应的稳态分布,并且定义了干预模型,有助于因果推断。