关键词interventional distributions
搜索结果 - 6
- ID 算法在什么时候会失败?
ID 算法在图形因果模型中解决了识别干预分布 p (Y | do (a)) 的问题,并且已经以多种方式进行了表述。然而文献中提出的 'hedge criterion'(第 3 个推论)作为 ID 算法无法识别输入的图形特征是错误的,本文概述 - 多个干预分布上联合学习一致的因果抽象
本文提出了一个基于 Rischel(2020)提出的抽象形式化理论的因果抽象学习框架,并给出了一个可微分编程解决方案,以在人造数据和电动汽车电池制造领域中实现了关于多个分辨率级别的因果关系推理。
- ICML有意义且健壮的算法补救措施的因果视角
本研究提出了有意义的算法追溯 (MAR) 方法,该方法仅推荐同时改善预测和目标的操作,从而解决了原有算法追溯方法的问题,并介绍了一种称为有效算法追溯(EAR)的方法,它可以假定采取操作可以影响模型目标的所有原因,从而生成有意义的算法追溯解释 - 通过比较干预分布评估因果模型
通过测量干预估计的准确度来评估因果模型,并比较它与结构测量的结果,结果表明,结构测量往往与干预估计的准确度相差较远,因此建议使用干预分布的方法来评估因果模型,实证结果证实了结构测量在参数优化和算法选择上提供了误导。
- 潜变量因果模型中计算干预分布的高效算法
本文介绍了一种可以计算由混合图表示的潜在变量因果模型的干预分布的算法,这个算法可以被看作是变量消除在混合图情况下的推广,并且在混合图的广义树宽度方面呈指数级别增长。
- 有向无环图干预马尔可夫等价类的特征和贪心学习
本文将有向无环图(DAGs)上的马尔可夫等价性的概念扩展到多重干预实验的干预性分布,给出两个 DAGs 在干预下等价的图理论标准,并且提出干预性本质图的概念,揭示了在干预性分布情况下因果模型识别过程的关键见解,最后基于这些见解,构建出一种新