- 从单变量干预推导因果顺序:保证与算法
根据数据分布的实际假设,本研究引入了干预忠实度的概念以及一种用于推断因果关系的得分,同时提出了一种名为 Intersort 的算法,能够从包含大量单变量干预的数据集中近似地优化因果顺序,为进一步改进因果推断提供了重要的潜力。
- 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。
- 通过开关变量在隐含因果模型中实现解放
在没有已知基准图结构的情况下,从观察数据和干预数据中学习因果表示需要进行隐式潜在因果表示学习。本文通过软干预在变分自动编码器(VAE)框架中处理隐式潜在因果表示学习,提出了一种模拟软干预效果的方法,采用设计的因果机制切换变量在不同因果机制之 - MM多节点干预下识别线性混合因果表示
通过多节点干预数据学习因果表示并验证可识别性。
- 软干预下因果解缠识别保证
本论文提出了一种基于潜在变量和因果模型的预测建模方法,以预测基因组学中联合扰动效应,并证明了该模型在无限数据极限下可以恢复潜在因果模型。
- 通过矩阵加权线性估计器从观测和干预数据中估计因果效应
本文探讨了在混杂线性回归模型和多元治疗中从混合的观测和干预数据中估计因果效应,并展示了通过结合来自观测和干预设置的估计器可以提高统计效率。
- 未知干预下因果表征的非参数识别
研究非参数学习中未知干预数据的因果表征学习,证明两个有关变量的观察分布和一次干预足以提供可识别性,同时说明了保留潜在变量之间因果影响的等价解决方案在绘制新数据的因果推论方面的合理性
- 运用变分因果推理泛化目标条件强化学习
利用 Causal Graph 加强了 Goal-Conditioned RL,提出了一种理论性能保证的优化框架,包括因果性发现、转换建模和策略训练的循环以提高 RL 代理的推理和泛化能力,并在九种任务上与五个基线进行了实证效果验证。
- 计算与背景知识相一致的马尔可夫等价有向无环图数量
本文研究的问题是,在部分边缘方向已知的情况下,如何计算马尔科夫等价类中有向无环图的数量。我们发现,这个问题在一个有趣的实例类中是可固定参数可解的,因为我们建立了一个计数算法,它所需要的时间是该图大小的多项式,其次数不依赖于作为输入提供的附加 - ICLR无需利用无环约束的高效神经因果关系发现
本文提出了一种新的有向无环因果图结构学习方法 ENCO,可以将因果图搜索表述为独立边似然的优化,并在不需要强制保持无环的情况下提供收敛保证。在实验中,作者展示 ENCO 可以高效地恢复拥有数百个节点的图,并处理确定性变量和潜在混淆因子。
- 干预数据的可微因果发现
本文提出了一种新的方法,基于神经网络和流形变换,使用干预数据来学习因果有向无环图,该方法在多种情况下表现出与现有技术相媲美的灵活性和可行性。
- 基于置换的因果结构学习(未知干预目标)
针对部分或完全未知的干预目标的混合观测和干预数据的因果 DAG 模型估计问题,本文提出一个算法来寻找干预马可夫等价类,此算法采用贪心策略在排列空间中搜索以最小化新的分数函数,同时该算法是无参数的,因此适用于非线性关系和非高斯分布的情况,性能 - 从未知干预中学习神经因果模型
本研究提出了一个基于连续优化和神经网络的框架,以创建联合观测和干预数据模型的方法,能在不知情干预变量的情况下获得强大的基准结果,包括从合成图和来自 Bayesian Network Repository 的标准图中恢复结构。
- 干预下因果有向无环图等价类的特征和学习
该研究考虑在观测和干预数据都可用的情况下学习因果 DAG,并使用一种可证明的算法实现此目标。
- 基于排列的带干预因果推断算法
本文提出了两种利用观测和介入数据学习基因调控网络的算法,并证明了这两种算法在符合无偏性假设的情况下均具有一致性保证。同时,这些算法具有非参数性质,适用于分析非高斯数据。本文还对这两种算法在模拟数据,蛋白质信号数据和单细胞基因表达数据上的性能 - NIPS祖先因果推断
提出一种通过利用更粗粒度的原因信息表示来降低搜索空间的组合爆炸,从而极大地减少计算时间,并根据信心对原因预测进行评分的新方法,证明了方法的正确性和渐近一致性,并证明了该方法在合成数据上的优越性能,并将其应用于具有挑战性的蛋白数据集中。
- 从连续平衡数据中的周期性因果发现
本文提出了一种无需假设线性关系和处理反馈环的方法来学习连续数据中的环形因果模型,并在生化反应的背景下提出了一种新的建模干预的方法。通过运用该方法对 Sachs et al. (2005) 流式细胞术数据进行重建,证明了该方法在发现环形反馈和 - 干预与观测数据的联合:有向无环图的干预马尔可夫等价类估计
该研究提出了一种基于高斯似然框架的有向无环图模型,用于联合建模观察数据和干预数据,以及通过 BIC 准则对干预马尔可夫等价类进行一致性估计,从而改善了干预数据的部分可鉴别性,提供更紧密的因果效应推断。
- 从干预数据中主动学习因果模型的两种最优策略
本文提出了两种基于最优实验设计策略的主动学习方法,用于求解因果 DAG 的最优干预目标,以改进因果 DAG 的边缘识别。其中第二种策略在多项式时间内得到任意大小的最小目标集,保证因果 DAG 的全识别。在模拟研究中,两种主动学习方法与随机干