- 存在潜在混淆因素的可扩展可微因果发现与骨架后验 (扩展版本)
本文提出了一种名为 SPOT(Skeleton Posterior-guided OpTimization)的两阶段框架,利用骨架后验来处理存在潜在混淆因素的不可导因果发现问题。该方法通过将骨架后验与不可导因果发现相结合,实现了骨架后验引导 - 高效决定无弓型无环路径图的代数等价性
对于包含潜在混淆因素的因果发现问题,存在超越条件独立性的约束条件,可以使因果发现算法能够区分更多的图对。在没有圆弓的线性结构方程模型的设置下,我们研究了代数约束,并认为这些约束提供了最精细的解析度。我们提出了有效的算法,判断两个图是否施加相 - 从高维代理变量中恢复潜在混淆因素
从代理变量中检测潜在混淆因素是因果效应估计中的一个重要问题。我们提出了一种新颖的代理混淆因子分解(PCF)框架,用于处理通过高维、混合型代理变量表现出来的连续处理效应估计。
- 基于熵的最大祖先图快速评分搜索算法
在这篇论文中,我们提出了一种使用经验熵估计和最新提出的『精确马尔可夫性』的 imsets 框架对最大祖先图进行评分的方法。我们的图搜索过程类似于 Claassen 等人的方法,但根据我们的理论结果进行了改进。通过限制节点数、最大头节点大小和 - 无限数据中的因果关系:基准模型和新数据集
深度学习和因果发现相结合,我们发现在对话和视频中学习因果结构和表示面临许多挑战,这些数据形式被定义为 “不确定数据”,具有多结构数据和多值表示特征。为了解决数据集缺口,我们发布了两个高质量的数据集,Causalogue 和 Causacti - 利用先验知识发现具有未观测变量的因果加性模型及其在时间序列数据中的应用
该论文提出了两种针对潜在变量的因果加性模型 (CAM-UV) 的方法。首先,提出了一种利用先验知识用于高效因果发现的方法。然后,扩展了该方法以推断时间序列数据中的因果关系。通过使用模拟数据验证第一种方法,并且通过比较现有的时间序列因果发现方 - 一个通用的因果推断框架,允许有因果关系的隐藏变量
在这篇论文中,我们介绍了一种新颖且多用途的因果发现框架,它几乎可以适用于因果网络中几乎任何地方存在的具有因果关系的隐藏变量(例如,它们可以是观测变量的效应)。通过研究秩与条件独立性的有效性,我们在理论上建立了某些潜在结构模式可辨识性的必要和 - 使用工具变量估计纵向数据中具有时间依赖潜在混杂因素的因果推断
提出了一种新的时间依赖仪器因子模型(TIFM)来从具有隐藏时间依赖混杂因素的数据中估计时变因果效应,并用循环神经网络(RNN)架构辅助推断潜在仪器变量以解决混淆偏差问题。
- 解离潜在表示学习用于解决因果推断中的混淆 M - 偏倚问题
通过从代理变量学习潜在表示来调整混淆偏差和 M 偏差,我们提出了一种用于无偏因果效应估计(DLRCE)的新型解缠的潜在表示学习框架。实验证明 DLRCE 在同时存在混淆偏差和 M 偏差的情况下显著优于最先进的估计器。
- 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 - 建立循环有向图中的马尔可夫等价性
我们提出了一种新的、高效的过程来建立可能包含循环的有向图之间的马尔科夫等价关系,它基于 Thomas Richardson 在 90 年代中期关于循环模型的开创性工作中的循环等价理论,并从祖先的角度进行了重新表述。这种简化的特征导致了一种建 - 具未知因果图的加性因果赌博机
该研究探讨了在因果图模型下的因果 Bandit 问题,提出了基于线性问题的算法来解决这个问题,在未知因果图情况下也能有效地辨别最佳干预措施。
- 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。
- ICML基于高阶累积量的潜在混杂因素因果发现
针对具有潜在混杂因素的因果关系发现问题,通过利用高阶累积量,提出一种基于独立分量分析的解决方法,可以自动检测潜在变量,确定因果顺序,并扩展到多个潜在变量的情况下。实验明确了该方法的正确性和有效性。
- 学习结构因果模型以进行对话中的直觉推理
本文提出了一种基于直觉理论的对话认知模型(CCM),转移到结构性因果模型(SCM)的代数方程,提出了一种基于变异推理的 SCM 的概率实现,构建了人工数据集和模拟数据集,实践证明该方法在合成、模拟和真实数据集上性能显著优于现有方法,并分析了 - 在潜在混淆因素和选择偏差可能存在的情况下进行迭代因果分析
我们提出了一种迭代因果发现算法 (ICD),可在潜在混淆变量和选择偏差的情况下恢复因果图,并演示了 ICD 相较于 FCI、FCI + 和 RFCI 算法,需要更少的 CI 测试并学习更准确的因果图。
- MM去共变量化因果协同过滤
提出了一个去混淆因素的因果协作过滤模型,解决了现实场景下推荐系统可能遇到的无法观测到的混淆因素带来的问题,且在真实数据集上的实验证明了该方法能够更好地提高推荐效果。
- ICML使用具有结构潜在混杂变量的高斯过程进行因果推断
本文介绍了如何半参数地建模具有结构化潜在混淆因素以提高因果效应估计并给出一个基于椭圆切片取样的贝叶斯推理算法;最后展示了基于这个模型的 GP-SLC 在包括婴儿健康与发展项目和新英格兰州全州能耗变化数据集等三个基准数据集上与广泛使用的因果推 - 使用 KL 回归在多个环境中识别不变因素
提出了一种新颖的 KL 回归框架,通过同步最小化参数模型和来自每个环境的观测数据之间的 KL 散度,可靠地估计具有多个潜在混淆因素的复杂多环境回归问题中的回归系数,可提高数据鲁棒性和泛化性。
- 在潜变量存在的情况下基于排序的因果结构学习
本文提出一种基于得分的方法来学习因果图,探讨了如何在存在潜在混淆因素的情况下进行因果结构的发现,并通过提出的贪心算法在合成数据上与现有算法进行比较。