- 标准化结构因果模型
通过引入标准化操作,我们提出了内部标准结构因果模型(iSCMs),以解决结构因果模型数据中的方差和成对相关性增加的问题,并证明线性 iSCMs 在大系统中不会折叠成确定性关系,可能在超越所研究的基准问题的因果推断中是一个有用的模型。
- 基于预测集的决策支持系统中的反事实伤害控制
基于预测集的决策支持系统通过缩小潜在标签值的集合(即预测集),并要求用户始终从预测集中预测标签值,来帮助人们解决多类别分类任务。本文的目标是通过设计控制决策支持系统频繁造成伤害的系统。通过结构性因果模型的理论框架来对伤害概念进行特征化,并在 - 缺失结构知识的异常值根本原因分析
通过使用结构因果模型中的因果反事实的定量贡献分析,最近的工作对异常情况的根本原因分析进行了概念化。本文提出了简化、高效的根本原因分析方法,用于识别唯一的根本原因而非定量贡献分析的任务。对于未知因果有向无环图的应用场景,我们将异常得分最高的变 - 扩展结构性因果模型在自主体认系统中的应用
自主系统中利用因果推理的案例研究,通过结构性因果模型提高系统的透明度、结果解释能力和对外部变量的推理,增强公众信任感并促进相关规范制定。
- CausalPlayground: 应对前沿因果性研究中的数据生成需求
通过引入 CausalPlayground,我们解决了当前数据生成库的不足之处,提供了一个标准化的平台用于生成、采样和共享结构性因果模型,从而促进了该领域中更高效和可比较的研究。
- FiP: 因果生成建模的固定点方法
基于新的等效形式主义,提出了一种新的因果生成模型,利用拓扑排序从观测值中推断顺序,设计了基于 Transformer 的架构来学习固定点结构因果模型,并通过广泛的评估表明该模型在生成的超出分布问题中胜过多个基准模型。
- 应用 ML 和 AI 推动的因果推断
机器学习与因果推断的新兴融合方法介绍,涵盖经典结构方程模型、其现代人工智能等价物有向无环图和结构性因果模型的思想,并使用现代预测工具来进行这些模型的推断。
- 分布一致性的结构因果模型
在因果建模领域,潜在结果和结构因果模型是主要框架。然而,这些框架在实际建模反事实时面临着明显的挑战,形式化表现为潜在结果的联合分布参数。本文通过对潜在结果和结构因果模型在建模反事实中的研究,提出了 “退化反事实问题” 这一内在模型容量限制, - 利用结构因果模型进行潜在选择建模
选择偏差在现实世界的数据中普遍存在,如果不正确处理可能导致误导性的结果。我们介绍了一种在结构性因果模型 (SCM) 上进行条件操作的方法,以从因果的角度建模潜在选择。我们展示了该条件操作将具有明确潜在选择机制存在的 SCM 转化为不具有这种 - 抽象因果最优输运
本研究提出了第一种从观测和干预数据中学习抽象映射的方法 COTA,通过引入多边际最优传输和干预信息的成本函数,实现了对多个粒度的结构因果模型进行关联的方法,并证明了其在合成和真实世界问题中的优势以及作为数据增强工具的高效性。
- 从异质数据中学习结构因果模型中的未知干预目标
我们研究了在具有多个环境收集的异构数据的结构因果模型中,识别未知干预目标的问题。我们提出了一个两阶段方法,第一阶段恢复了在环境之间分布发生变化的未知干预目标对应的外源性噪声,第二阶段将恢复的噪声与相应的内源性变量进行匹配。在有潜在混淆因素存 - 多项式时间内基于树形结构的因果模型辨识
本论文研究了树状结构因果模型的识别问题,提出了一个随机多项式时间算法来判断结构参数的识别性,并给出了相应参数的分数亚方根多项式表达式。
- 不要边缘化机制,而应巩固!
结构性因果模型 (SCMs) 是理解许多现实世界系统中的复杂因果关系的有力工具,我们介绍了整合因果机制的概念,以简化大规模 SCM 并保持一致的干预行为。
- 异质数据空间个体公平性和鲁棒性的因果对抗扰动
我们提出了一种新颖的方法,通过研究个体公平性、对抗鲁棒性和结构因果模型之间的关系,特别是在处理离散敏感属性时,来实现个体公平性、对抗鲁棒性和因果性的综合应用。通过引入新的因果对抗扰动和对抗训练,我们创建了一个将个体公平性、因果性和鲁棒性相结 - 视觉表示学习中的类别级别结构关系建模与平滑
本文提出了一个名为 CSRMS 的框架,包括类级关系建模、类感知图采样和关系图引导表示学习模块,以建模数据集的关系图,并执行类感知平滑和正则化操作以减轻类内视觉多样性和类间相似度问题。实验证明结构化知识建模对增强表示学习具有有效性,并表明 - 融合观察、偏差和随机数据源的近似反事实界限
通过数据集成、反事实计算和因果推断方法,我们的研究对于解决具有选择偏差的数据集以及多个数据集之间的整合问题提出了有效的解决方案。
- 反事实上界的高效计算
本文介绍了从结构因果模型获得置信网,通过 Credal 网络算法计算精确的反事实边界,提出了一种因果 EM 方案实现近似边界,评估了其精确度并通过关于姑息治疗的真实案例阐述了其实际应用。
- 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。
- iSCAN:非线性加性噪声模型中的因果机制转移识别
本文研究如何在不确定模型图结构的情况下,通过识别函数机制变化来比较两个或多个相关结构因果模型。我们提出使用非线性加性噪声模型对各模型进行建模,并证明了使用混合分布的分数函数的雅可比矩阵可以用于识别非参数函数机制中的变化。在确认变化的因素后, - ICML基于概率因果模型的高保真图像反事实
本研究提出了一种通用的因果生成建模框架,用于准确估计具有深度结构因果模型的高保真图像反事实情况。