- ExDAG: 精确学习有向无环图
近年来对因果学习的兴趣逐渐增加。常用的因果结构表示方法,包括贝叶斯网络和结构方程模型(SEM),采用有向无环图(DAG)形式。我们提供了一种新颖的混合整数二次规划表达和相关算法,用于识别可识别的 50 个顶点的 DAGs。我们称之为 ExD - 将模糊逻辑与因果推断相结合:增强 Pearl 和 Neyman-Rubin 方法
本文介绍了一种模糊因果推理方法,利用模糊逻辑综合了 Pearl 和 Neyman-Rubin 方法,考虑了数据的模糊性和不确定性以及模糊术语如 “高”、“中” 和 “低” 所表达的主观人类观点。通过引入两个模糊因果效应公式:Fuzzy Av - 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。
- 使用 BAM 进行图结构推断:引入双线性注意机制
统计学和机器学习中,检测数据集中的依赖关系是一个核心挑战。我们提出了一种新颖的神经网络模型,用于监督式图结构学习,即学习观测数据与其底层依赖结构之间的映射关系。通过利用结构方程模型和使用随机生成的多元切比雪夫多项式来模拟训练数据,我们的方法 - 提升因果增加模型
我们提出了一种基于提升的方法来从观察数据中学习加法结构方程模型 (SEMs),重点研究确定变量之间因果顺序的理论方面。我们引入了一族基于任意回归技术的得分函数,并建立了一些必要条件,以一致地优选真实的因果顺序。我们的分析揭示了提前停止的提升 - 最大似然估计的潜变量结构方程模型:一种神经网络方法
我们提出了一种在线性和高斯假设下对结构方程模型稳定的图形结构,证明了计算这个模型的最大似然估计等价于训练一个神经网络,并实现了基于 GPU 的算法来计算这些模型的最大似然估计。
- SLEM: 超学习器方程建模的路径建模和因果推理
超级学习方程建模是一种集成机器学习超级学习器的路径建模技术,能够提供一致和无偏的因果效应估计,并在处理非线性关系时比结构方程模型(SEM)表现更好。
- 利用结构方程模型在制造领域学习因果图
本文介绍了如何在制造领域中通过先前知识和过程数据的结合使用结构方程模型来推导因果关系,与现有应用程序相比,我们不假定线性关系,从而得到更丰富的结果。
- 中介分析的图形模型
本文研究中介效应分析的路径特定效应识别策略,并提出了一种通用的非参数结构方程模型。
- 多项式时间与样本复杂度内学习线性结构方程模型
本文研究了从观察数据中学习线性结构方程模型(SEMs)的算法问题,旨在实现计算和统计效率,解决较一般的识别问题并没有考虑 “信仰” 假设的情形,提供了一个高效的算法,能够在不同噪声分布的情况下恢复 SEM 的有向无环图结构。
- 结构方程模型的因果一致性
该论文介绍了结构方程模型 (SEMs) 中精确的转换机制,以实现不同粒度和级别的建模;它强调了在因果建模过程中精确定义干涉的重要性,并阐明了循环 SEMs 的解释。
- 非线性结构向量自回归模型推断有效脑网络连接性
通过利用核函数来捕捉非线性因素,文章旨在通过构建线性结构向量自回归模型来扩展大脑连接研究的范围,并提供一种有效的正则化估计方法,以揭示感兴趣的大脑区域之间的先前未知的因果联系。
- 使用不变预测进行因果推断:识别和置信区间
利用因果模型在干预下的预测不变性,我们提出一种方法来推断因果效应并构建高概率的因果模型集合。这个方法可以在各种不同实验设置下得出有效的置信区间,并研究了其鲁棒性和推广性。
- CAM: 因果加性模型,高维序列搜索和罚函数回归
本研究提出了一种可以用于高维附加结构方程模型的估计方法,并建立了估计量的一致性,同时还开发了一种计算算法来处理许多变量,并通过模拟和实际数据验证方法的准确性和性能。
- 随机微分方程的因果解释
通过对随机微分方程(SDEs)进行干预所产生的后干预 SDE 的定义,我们给出了对 SDEs 的因果解释,并证明在 Lipschitz 条件下,后干预 SDE 的解等于基于原始 SDE 的 Euler 方案的后干预结构方程模型的概率均匀极限 - 反馈模型的有向循环图形表示
该研究使用有向无环图 (DAG) 表示随机变量之间的条件独立关系,证明了非递归结构方程模型能够通过有向循环图表示条件独立误差,并推导出满足条件独立约束的充分条件以及非线性系统的变量在相关分布中条件独立的条件。
- 具有相同误差方差的高斯结构方程模型的可识别性
本文探讨了结构方程模型及其在因果推断中的应用。在高斯结构方程模型中,如果所有噪声变量的方差相同,则该模型可以从联合高斯分布中恢复出其对应的有向无环图,并提出了一种基于理论的算法来实现。
- DirectLiNGAM: 一种学习线性非高斯结构方程模型的直接方法
本文介绍了一种基于非高斯性的新的、无需迭代算法参数即可估计因果排序和连接强度的方法,该方法能够在少量的步骤内保证求解正确,能够处理连续变量之间的因果关系。