- 利用较少条件独立性检验进行因果发现
本研究旨在通过多项式数量的条件独立性测试来学习隐藏因果图的较粗糙表示,名为因果一致分区图(CCPG),它由顶点的一个分区和在其组件上定义的有向图组成,并满足方向性的一致性和其他有利于更细的分区的约束条件。此方法在因果图可识别的特殊情况下,通 - 递归因果发现
本文介绍了一种从数据中学习因果图的因果发现方法,通过引入可移除变量的概念和递归方法来解决因果发现中的挑战,并提供了一个高效实现这些方法的 Python 包,可供实践者和研究人员在实际场景中使用。
- 基于结构的约束学习马尔可夫网络
用约束条件的结构学习方法学习马尔可夫网络的理论限制与性能逐渐变好,并且对条件独立性测试的集合大小和测试数量进行了研究。
- 通过独立性查询预测马尔可夫等价类中的成员资格
推理因果关系、统计图模型、条件独立测试和学习之间的关系及其几何解释。
- 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。
- 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 - 从高维观测研究中学习变异性源
我们的研究将因果估计推广到具有任意个维度或可测空间的结果,将传统的因果估计用于名义变量作为因果差异检验,提出了一种简单的方法来调整普遍一致的条件独立性检验,并证明这些检验是普遍一致的因果差异检验。数值实验证明,我们的方法 Causal CD - 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 - 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 - eCDANs: 从自相关和非平稳数据中高效进行时间因果分析(学生摘要)
提出了一种新的约束条件因果推断方法 eCDANs,旨在解决传统时态因果推断方法的问题,具有检测迟滞和同时因果关系以及时间变化的能力。实验表明该方法能够识别时间影响并优于基线方法。
- 具有小条件集的因果图的表征和学习
本文提出了一种基于有限数据进行稳健因果发现的算法 $k$-PC,通过对两个因果图的条件独立性约束进行比较建立了 $k$-Markov 等价。实验表明,$k$-PC 算法相较于传统 PC 算法,可以在小样本环境中实现更强大的稳健性。
- 高速并行贝叶斯网络结构学习
本文提出了一种基于多核 CPU 的快速解决方案 Fast-BNS,用于加速贝叶斯网络结构学习,通过动态工作池设计、CI 测试分组、缓存友好数据存储和实时生成条件集等优化措施,实现了对处理时间和内存使用的有效控制,并在综合实验研究中证明了其相 - 学习贝叶斯网络的综合改进混合算法:多重复合记忆擦除
本文提出了一种新的混合算法 MCME,解决了基于约束的方法中 CI 测试的不准确性和基于得分的方法中搜索空间增加和学习效率低下的问题,并在方向判别阶段中的得分函数方面做出创新。大量实验证明 MCME 的性能优于或类似于一些现有算法。
- 算法公平性的因果特征选择
本文介绍了一种使用因果干预公平性范例,通过在数据管理的集成组件中考虑公平性来识别特征以提高预测质量而不添加偏差的方法,提出了一种使用条件独立性检测的方法来确定确保干预公平的特征子集,并通过现实世界的数据集进行了详细的实证评估,证明了方法的有 - 潜在共同原因时间序列因果特征选择的必要和充分条件
本文探讨了对时间序列中的直接和间接原因的识别,并在图形限制下提供了必要且充分的潜变量条件。我们的理论结果和估计算法需要两个条件独立性测试才能确定观测到的候选时间序列是否是观测到的目标时间序列的原因。通过模拟和真实数据,我们的实验结果表明,我 - 迈向强壮的关系因果发现
本研究考虑了从关系型数据中学习因果关系的问题,并提出一个可靠的条件独立性测试方法,通过对关系型数据进行条件独立性测试来恢复底层因果结构,并进行实验验证。
- 贝叶斯网络的高效抽样和结构学习
提出了一种新颖的混合方法,将基于约束和 MCMC 算法的两个领域结合起来,以高效地学习贝叶斯网络的有向无环图结构,并能对后验分布进行采样,从而实现全贝叶斯模型平均。
- 因果 DAG 模型中基于最小 I-MAP 的可扩展结构发现 MCMC 算法
本文提出一种基于条件独立性检验的后验逼近方法,用于学习贝叶斯网络。相比于先前的基于顺序 MCMC 的方法,该方法能够实现更佳的精度、可伸缩性和混合采样效果,同时允许使用更多自然的结构先验并消除了对最大入度的时间依赖性。
- 检测大规模非线性时间序列数据中的因果关系
提出了一种结合线性或非线性条件独立性检验与因果发现算法的方法,可以从大规模时间序列数据集中重构因果网络,从而在气候科学或神经科学等研究领域中识别因果关系。