Exploiting Causal Independence in Bayesian Network Inference
提出了一种利用因果独立性进行精确贝叶斯网络推理的新方法。贝叶斯网络可以被看作是将联合概率分解为一组条件概率的乘积。我们提出了一个因果独立的概念,使人们能够进一步因式分解的条件概率的组合,甚至更小的因素,从而获得更细粒度的联合概率因式分解。因果独立的新公式让我们指定一个变量的条件概率给定其父母在一个结合和交换运算符,如“或”,“和”或“最大”,对每个父母的贡献。我们从一个简单的算法VE贝叶斯网络推理,给定证据和查询变量,使用因式分解找到查询的后验分布。我们展示了如何将该算法扩展到利用因果独立性。基于CPCS网络的医学诊断的实证研究表明,该方法比以前的方法更有效,并且允许在比以前的算法更大的网络中进行推理。
1996-12-01 cs.AI
Bayesian Model Averaging for Data Driven Decision Making when Causality is Partially Known
Purdue University(普渡大学);George Mason University(乔治梅森大学)
概率机器学习模型通常不足以帮助做出干预决策,因为这些模型发现的是相关性,而不是因果关系。如果只有观察数据,实验是不可行的,正确的方法来研究干预的影响是调用珍珠的因果关系框架。即使是这种框架也假设基本的因果图是已知的,但实际上很少有这种情况。当因果结构未知时,可以使用开箱即用算法从观测数据中找到因果依赖关系。然而,也不存在在发展因果结构时也考虑决策者的先验知识的方法。本文的目的是制定合理的方法,在因果图的不确定性和决策者的先验知识的存在下,从观测数据进行决策。我们使用集成方法,如贝叶斯模型平均(BMA)来推断一组可以代表数据生成过程的因果图。我们通过明确计算潜在干预的期望值和风险来提供决策。我们通过在不同的示例环境中应用它们来演示我们的方法。
2021-05-12 cs.AI
Causal Discovery from a Mixture of Experimental and Observational Data
Center for Biomedical Informatics(生物医学信息学中心);University of Pittsburgh(匹兹堡大学)
本文描述了一种贝叶斯方法,用于结合观察和实验数据的任意混合,以学习因果贝叶斯网络。观察数据是被动观察的。实验数据,如随机对照试验产生的数据,是由实验者操纵一个或多个变量(通常是随机的)并观察其他变量的状态而产生的。本文提出了一种贝叶斯方法,用于学习产生数据的潜在因果过程的因果结构和参数,假设(1)数据包含观察和实验案例记录的混合物,以及(2)因果过程被建模为因果贝叶斯网络。使用从ALARM因果贝叶斯网络生成的实验和观察数据的各种混合物作为输入,应用这种学习方法。在这些实验中,实验数据和观测数据的绝对量和相对量是有系统地变化的。对于这些训练数据集中的每一个,应用学习方法来预测因果结构,并估计存在于ALARM中随机选择的未混淆节点对中的因果参数。该论文报告了这些结构预测和参数估计如何与ALARM网络给出的真实因果结构和参数进行比较。
2013-01-23 cs.AI
A Bayesian Method for Causal Modeling and Discovery Under Selection
本文描述了一种贝叶斯方法,用于学习因果网络,使用从感兴趣的人群中以非随机方式选择的样本。通过非随机抽样获得的数据的例子包括便利样本和病例对照数据,其中收集了固定数量的有和没有某种条件的样本;这种数据并不罕见。本文描述了一种方法,用于结合数据的选择与先验信念,以获得一个模型的因果过程,产生的数据在人口的利益的后验概率。先验知识包括对非随机抽样程序性质的信念。虽然精确的应用程序的方法将是计算上棘手的最现实的数据集,有效的特殊情况和近似方法进行了讨论。最后,本文描述了如何将选择下的学习与以前的方法相结合,用于从感兴趣的人群的随机样本中获得的观察和实验数据中学习。最终结果是贝叶斯方法,支持因果建模和从不同类型数据的丰富混合中发现。
2013-01-16 cs.AI
What Bayesian Updating Presupposes: Hume's Representational Conditions and Causal Learning
BridgeM, Inc.(BridgeM公司);Department of Philosophy, University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校哲学系)
本文探讨休谟因果判断的三个表征条件,并分析其在从休谟到贝叶斯主义的正式化过程中如何被保留和抽象,指出大语言模型展示了统计更新而不满足这些条件的现象。
2026-11-03 cs.AI
Scoring and Searching over Bayesian Networks with Causal and Associative Priors
University of Crete(克里特大学);Institute of Computer Science, FORTH(FORTH计算机科学研究所)
学习贝叶斯网络的搜索和评分方法的一个重要理论优势是,它们可以接受每个可能网络的信息先验信念,从而补充数据。本文提出了一种基于真实网络中某些路径存在或不存在的信念来分配先验知识的方法。这种信念对应于关于变量对之间可能的因果关系和关联关系的知识。这种类型的知识自然来自先前的实验和观察数据等。此外,提出了一种新的搜索算子,以利用这些先验知识。实验表明,使用路径信念提高了骨架的学习,以及在网络中的边缘方向。
2014-08-09 cs.AI
Polynomial Constraints in Causal Bayesian Networks
Iowa State University(爱荷华州立大学);Department of Computer Science(计算机科学系)
我们使用隐式化过程生成多项式等式约束的一组分布引起的局部干预变量的因果贝叶斯网络与隐藏变量。我们展示了如何降低隐式化问题的复杂性,并使问题在某些因果贝叶斯网络中易于处理。我们还展示了一些初步的结果多项式约束的代数结构。这些结果在区分因果模型和结合观测和实验数据检验因果模型方面具有应用价值。
2012-06-20 cs.AI stat.ME
A Structurally and Temporally Extended Bayesian Belief Network Model: Definitions, Properties, and Modeling Techniques
University of Pittsburgh(匹兹堡大学)
我们开发了可修改的时间信念网络(MTBN)语言作为贝叶斯信念网络(BN)的结构和时间扩展,以促进不确定性下的规范性时间和因果建模。在本文中,我们提出了模型的定义,它的组件,它的基本属性。我们还讨论了如何表示各种类型的时间知识,重点是混合时间显式时间建模,动态结构,避免因果时间不一致,并处理涉及同时行动(决策)和因果和非因果关联的模型。我们研究BN,可修改的信念网络,MTBN与一个单一的时间粒度之间的关系,并建议适用于他们每一个的应用领域。
2013-02-13 cs.AI
Bayesian Causal Induction
Max-Planck Institute for Biological Cybernetics(马克斯·普朗克生物控制论研究所)
发现因果关系是一项艰巨的任务,往往因需要干预而受阻,而且往往需要大量数据来解决统计上的不确定性。然而,人类很快就能找到有用的因果关系。一个可能的原因是,人类从过去的经验中推断出新的、看不见的情况:也就是说,他们对因果不变性的信念进行编码,允许从他们直接在世界上行动所获得的观察中进行合理的概括。在这里,我们概述了因果归纳的贝叶斯模型,在竞争的因果假设的信念建模使用概率树。基于这个模型,我们说明了为什么,在一般情况下,我们需要干预加上我们的因果假设的约束,以提取因果信息,从我们的经验。
2011-11-30 cs.AI stat.ML
On the Relationship between Bayesian Networks and Probabilistic Structural Causal Models
Faculty of EEMCS, University of Twente(埃因霍温理工大学电子与电气工程学院);ICIS, Radboud University(拉德堡德大学ICIS中心)
本文探讨了贝叶斯网络与因果图之间的关系,分析了概率结构因果模型的存在性和唯一性,并利用线性代数方法进行转换。
2026-04-23 cs.AI cs.LG
Towards Scalable Bayesian Learning of Causal DAGs
University of Helsinki(赫尔辛基大学);HIIT(赫尔辛基信息技术研究所);University of Oslo(奥斯陆大学)
我们给出了贝叶斯推理的方法,有向无环图,DAG,和被动观察到的完整数据的因果关系。我们的方法建立在最近的马尔可夫链蒙特卡洛计划学习贝叶斯网络,这使得有效的近似抽样从图后验,只要每个节点被分配一个小数目$K$的候选父母。我们提出的算法技术,以显着减少空间和时间的要求,这使得使用大得多的值的$K$可行的。此外,我们研究的问题,选择候选父母每个节点,以最大限度地提高覆盖后质量。最后,我们将我们的抽样方法与一种新的贝叶斯方法相结合,用于估计线性高斯DAG模型中的因果效应。数值实验表明,我们的方法在检测祖先后代关系的性能,并在因果关系估计我们的贝叶斯方法被证明优于以前的方法。
2020-11-18 cs.AI cs.LG
Latent Variable Models for Bayesian Causal Discovery
Mila - Québec AI Institute(米拉-魁北克人工智能研究所);McGill University(麦吉尔大学);ÉTS Montréal(蒙特利尔高等技术学院)
学习不依赖于虚假相关性的预测器涉及构建因果表示。然而,学习这样的表示是非常具有挑战性的。因此,我们制定了从高维数据中学习因果表示的问题,并研究了因果恢复与合成数据。这项工作介绍了一个潜在的变量解码器模型,解码器BCD,贝叶斯因果发现,并在轻度监督和无监督的设置进行实验。我们提出了一系列的合成实验来表征因果发现的重要因素,并表明使用已知的干预目标作为标签有助于无监督贝叶斯推理的结构和参数的线性高斯加性噪声潜在的结构因果模型。
2022-08-11 cs.AI cs.LG stat.ML
Bayesian causal inference via probabilistic program synthesis
University of Massachusetts(马萨诸塞大学);Massachusetts Institute of Technology(麻省理工学院)
因果推理可以形式化为贝叶斯推理,其结合了因果模型的先验分布和解释观察和干预的可能性。我们表明,它是可能的,以实现这种方法,使用一个充分表达的概率程序设计语言。先验表示使用概率程序生成的源代码在一个特定领域的语言。干预是使用概率程序,编辑这个源代码修改原始的生成过程。这种方法可以直接将来自原子干预的数据,以及转移干预,方差缩放干预和其他修改因果结构的干预。这种方法也使得使用通用推理机的概率程序推断可能的因果结构和参数的数据。这一摘要描述了一个原型,这种方法在Gen概率程序设计语言。
2019-10-30 cs.AI cs.LG
A Bayesian Approach to Constraint Based Causal Inference
我们的目标问题的准确性和鲁棒性的因果推理从有限的数据集。一些最先进的算法产生清晰的输出,具有坚实的理论保证,但容易传播错误的决策,而其他算法非常擅长处理和表示不确定性,但需要依赖于不期望的假设。我们的目标是将贝叶斯方法的固有鲁棒性与基于约束的方法的理论强度和清晰度相结合。我们使用贝叶斯得分来获得基于约束的过程中使用的输入语句的概率估计。这些随后以可靠性的降序处理,在冲突的情况下,让更可靠的决策优先,直到获得单个输出模型。测试表明,贝叶斯约束为基础的因果发现(BCCD)算法的基本实现已经优于既定的程序,如FCI和保守的PC。它还可以指示输出中哪些因果决策具有高可靠性,哪些不具有高可靠性。
2012-10-16 cs.AI stat.ME
Bayesian Network Models of Causal Interventions in Healthcare Decision Making: Literature Review and Software Evaluation
University of Oxford(牛津大学)
本报告总结了系统性文献检索的结果,以确定用于支持医疗保健决策的贝叶斯网络模型。在描述检索方法后,对选定的研究论文进行简要回顾,以确定公开可用的模型和数据集,这些模型和数据集非常适合使用Wang B,Lyle C,Kwiatkowska M(2021)开发的因果干预分析软件工具进行分析。最后,应用该软件对选定的模型进行了实验评估,并报告了初步结果。
2022-11-28 cs.AI cs.LG
Intervention and Conditioning in Causal Bayesian Networks
Cornell University(康奈尔大学)
本文针对因果贝叶斯网络中干预公式的条件概率计算难题,提出在简单且现实的独立性假设下可唯一估计干预概率(含充分性与必要性),并指出在假设成立时可用观测数据评估,意义重大。
2024-05-23 cs.AI cs.LG
Learning and Testing Causal Models with Interventions
Cornell University(康奈尔大学);Indian Institute of Science(印度科学学院);MIT(麻省理工学院)
我们考虑Pearl(Pearl,2009)定义的因果贝叶斯网络上的测试和学习问题。给定一个图上的因果贝叶斯网络$\mathcal{M}$,$n$离散变量和有界的度和有界的“混淆分量”,我们证明了$O(\log n)$干预在同一个图上的未知因果贝叶斯网络$\mathcal{X}$上,以及每个干预的$\tilde{O}(n/ε^2)$样本,足以有效区分是否存在$\mathcal{X}=\mathcal{M}$或是否存在某种干预,在该干预下$\mathcal{X}$和$\mathcal{M}$总体上比$ε$更远变化距离我们还获得了样本/时间/干预有效的算法:(i)在同一个图上测试两个未知因果贝叶斯网络的身份;(ii)在给定的图上学习因果贝叶斯网络。虽然我们的算法是非自适应的,我们表明,自适应一般没有帮助:$Ω(\log n)$干预是必要的测试身份的两个未知的因果贝叶斯网络在同一个图,甚至自适应。我们的算法是通过一个新的次加性不等式的平方之间的因果贝叶斯网络的Hellinger距离。
2018-05-24 cs.AI cs.DS stat.ML
Incorporating Causal Prior Knowledge as Path-Constraints in Bayesian Networks and Maximal Ancestral Graphs
Institute of Computer Science, FORTH, Greece(希腊FORTH研究所计算机科学研究所);University of Crete, Greece(希腊克里特大学)
我们考虑将因果知识的存在或不存在(可能是间接的)因果关系纳入因果模型。这种因果关系对应于因果模型中的有向路径。这类知识自然来自实验数据等。具体来说,我们考虑因果贝叶斯网络和最大祖先图及其马尔可夫等价类的形式:部分定向无环图和部分定向祖先图。我们引入健全和完整的程序,能够将因果先验知识,在这样的模型。在模拟实验中,我们表明,经常考虑即使是一些因果事实会导致大量的新的推论。在一个案例研究中,我们还展示了如何使用真实的实验数据来推断因果知识,并将其纳入一个真正的生物因果网络。该代码可在mensxmachina.org上获得。
2012-06-27 cs.AI cs.CE cs.LG
SVI-DAG: A Structured Variational Inference Approach to Bayesian Causal Discovery
SVI-DAG是一种贝叶斯因果发现的结构化变分推断方法,用归一化流建模边依赖、斯坦变分梯度下降优化,在不确定性量化上优于5种现有方法,结构准确性具竞争力。
2026-08-25 cs.AI cs.LG
Subjectivity, Bayesianism, and Causality
University of Pennsylvania(宾夕法尼亚大学)
贝叶斯概率理论是不确定性推理模型最成功的框架之一。它的定义属性是将概率解释为对关于世界相对于探究主体的状态的命题的信念程度。本文通过比较拉康理论和贝叶斯概率论来考察主观性的概念,并得出结论,后者必须用因果干预来丰富代理模型。这项工作的核心贡献是一个抽象的模型的主题,容纳因果干预措施的测量理论的形式化。这种形式化是通过一个博弈论Ancestrian模型的基础上获得的内部和外部的主题作为一个广泛的形式的游戏,两个球员之间的不完美信息。最后,我用一个因果归纳的例子来说明这个模型的表达能力。
2015-04-24 cs.AI stat.ME stat.ML
Active Bayesian Causal Inference
TU Graz(格拉茨技术大学);ETH Zürich(苏黎世联邦理工学院);MPI for Intelligent Systems(马克斯·普朗克智能系统研究所);University of Cambridge(剑桥大学)
因果发现和因果推理通常被视为独立和连续的任务:首先推断因果图,然后使用它来估计干预措施的因果效应。然而,这种两阶段方法是不经济的,特别是在主动收集的介入数据方面,因为感兴趣的因果查询可能不需要完全指定的因果模型。从贝叶斯的角度来看,这也是不自然的,因为因果查询(例如,因果图或某种因果效应)可以被视为经受后验推理的潜在量--不直接感兴趣的其它未观察到的量(例如,完整的因果模型)应该在这个过程中被边缘化,并助长我们认识上的不确定性。在这项工作中,我们提出了主动贝叶斯因果推理(ABCI),一个完整的贝叶斯主动学习框架集成的因果发现和推理,共同推断后的因果模型和查询的兴趣。在我们的方法ABCI,我们专注于类因果充分,非线性加性噪声模型,我们使用高斯过程建模。我们依次设计实验,最大限度地提供有关目标因果查询的信息,收集相应的干预数据,并更新我们的信念以选择下一个实验。通过模拟,我们证明了我们的方法比只专注于学习完整因果图的几个基线更有效。这使我们能够从更少的样本中准确地学习下游因果查询,同时为感兴趣的数量提供校准良好的不确定性估计。
2022-10-15 cs.AI cs.LG stat.ME
SBI: A Simulation-Based Test of Identifiability for Bayesian Causal Inference
College of Information and Computer Sciences, University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校信息与计算机科学学院);Basis Research Institute(贝西斯研究院);Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology(麻省理工学院脑与认知科学系)
越来越多的因果推理方法依赖于超越因果图结构的贝叶斯假设公式。例如,贝叶斯方法已经被开发用于分析工具变量设计、回归不连续性设计和受试者内设计。本文介绍了基于模拟的可识别性(SBI),贝叶斯因果推理方法,实现概率程序的查询的可识别性测试程序。SBI补充了可识别性的分析方法,利用模拟数据的基于粒子的优化方案来确定分析上难以处理的模型的可识别性。我们针对一类具有有限效应的可微、有限维概率程序分析了SBI的合理性。最后,我们提供了一个实施的SBI使用随机梯度下降,并表明经验,它同意与已知的识别结果的一套基于图形和准实验设计基准,包括那些使用高斯过程。
2022-10-31 cs.AI cs.LG stat.ME
Bayesian Networks for Causal Analysis in Socioecological Systems
University of Almería(阿尔梅里亚大学);Department of Biology and Geology, University of Almería(阿尔梅里亚大学生物与地质学院)
本文提出利用贝叶斯网络开展反事实推理,分析社会生态系统变量间的必要性与充分性关系,并通过西班牙南部社会经济因素与土地利用案例展示结构因果模型的应用。
2024-12-05 cs.AI math.PR stat.AP
Bayesian network structure learning with causal effects in the presence of latent variables
Queen Mary University of London(伦敦玛丽女王大学)
潜在变量可能导致虚假的关系,可能被误解为因果关系。在贝叶斯网络(BN)中,这种挑战被称为因果不足下的学习。假设因果关系不充分的结构学习算法倾向于重建BN的祖先图,其中双向边表示混淆,有向边表示直接或祖先关系。本文描述了一种混合结构的学习算法,称为CCHM,它结合了基于约束的部分的cFCI和爬山得分为基础的学习。基于分数的过程结合了Pearl的do-calculus来测量因果效应并定位否则将保持无向的边缘,假设BN是线性结构方程模型,其中数据遵循多元高斯分布。基于随机网络和已知网络的实验表明,CCHM在重建真正的祖先图方面提高了最先进的水平。
2020-08-18 cs.AI cs.LG stat.ML
Causal Inference under Threshold Manipulation: Bayesian Mixture Modeling and Heterogeneous Treatment Effects
本文提出了一种贝叶斯混合建模方法,用于在阈值操纵下估计因果效应,并扩展至分层贝叶斯框架以估计异质性处理效应。
2026-01-16 cs.AI stat.ME
Transferring Information Across Interventions in Causal Bayesian Optimization
Computer Science Department(计算机科学系)
提出图耦合因果贝叶斯优化方法,通过共享因果参数的不确定性连接不同干预效应,实现跨干预信息传递,在可识别线性高斯因果模型中证明低秩核性质和次线性遗憾界。
2026-05-31 cs.AI cs.LG stat.ML
Surjective Independence of Causal Influences for Local Bayesian Network Structures
University of Warwick(沃里克大学)
针对贝叶斯网络参数化中专家判断负担重、数量多及ICI假设过强的问题,本文提出放宽该假设的SICI局部结构模型,以支持更实用高效的参数化。
2025-09-29 cs.AI stat.ME
Variational Causal Networks: Approximate Bayesian Inference over Causal Structures
ETH Zurich(苏黎世联邦理工学院);Mila(米拉人工智能研究所);Université de Montréal(蒙特利尔大学);ElementAI;ServiceNow;MPI for Intelligent Systems(马克斯·普朗克智能系统研究所);CIFAR(加拿大高等研究院)
学习数据背后的因果结构是实现强大的现实世界决策的关键一步。因果推理中的大多数现有工作集中于确定单个有向无环图(DAG)或其马尔可夫等价类。然而,一个关键的方面,智能地采取行动的知识因果结构,已推断出从有限的数据要求推理其不确定性。例如,计划干预以了解更多关于管理我们数据的因果机制的信息,需要量化DAG的认知不确定性。虽然贝叶斯因果推理允许这样做,但即使对于少量变量,DAG的后验也变得难以处理。为了克服这个问题,我们提出了一种形式的变分推理的结构因果模型(SCM)的图。为此,我们引入了一个参数变分家庭建模的自回归分布在离散DAG的空间。它的参数数量不会随着变量的数量呈指数增长,并且可以通过最大化证据下限(ELBO)来学习。在我们的实验中,我们证明了所提出的变分后验是能够提供一个很好的近似的真实后验。
2021-06-14 cs.AI cs.LG stat.ML
Effective Bayesian Causal Inference via Structural Marginalisation and Autoregressive Orders
TU Graz(格拉茨技术大学);Levata GmbH(Levata公司)
本文提出通过将结构边际化分解为因果序和给定序下DAG的边际化,并设计自回归分布ARCO进行采样近似,实现高效的贝叶斯因果推断,在结构学习和因果效应估计上优于现有方法。
2025-04-23 cs.AI cs.LG stat.ME
Multi-Objective Multi-Fidelity Bayesian Optimization with Causal Priors
Department of Computer Science;Engineering, University of South Carolina, SC, USA;Computer Science Department, Appalachian State University, NC, USA;Engineering, Texas A\&M University, TX, USA
RESCUE通过引入因果模型提升多目标多保真度贝叶斯优化的样本效率。
2026-01-31 cs.AI cs.LG
Bayesian Learning of Causal Relationships for System Reliability
University of Warwick(华威大学);The Alan Turing Institute(阿兰·图灵研究所)
因果理论现在得到了广泛的发展,并在医学和公共卫生领域得到了许多应用。然而,在可靠性的学科,虽然因果关系是一个关键的概念,在这一领域,有很少的理论关注。在本文中,我们将演示如何建立因果方法的某些方面可以通过树,更具体地说,链事件图,到可靠性理论的域,以帮助故障的概率建模。我们进一步展示了如何将可靠性特定的因果关系的各种特定领域概念导入到更通用的因果代数中,从而演示了这些学科如何相互告知。本文通过对一家大型配电公司的检修记录进行详细分析。嵌入在这些自然语言文本中的因果假设提取和分析使用我们在这里介绍的新的图形框架。
2020-02-14 cs.AI math.ST stat.TH
Fast & Efficient Learning of Bayesian Networks from Data: Knowledge Discovery and Causality
Huaqiao University(华侨大学)
提出基于PC算法的FSBN和SSBN,通过局部搜索和条件独立性测试高效学习贝叶斯网络结构,分别降低计算成本达52%和72%,同时保持归纳质量,适用于大数据分析。
2023-10-13 cs.AI cs.LG
Causal models have no complete axiomatic characterization
Tsinghua University(清华大学)
马尔可夫网络和贝叶斯网络是嵌入在概率模型中的依赖关系的有效图形表示。众所周知,马尔可夫网络(称为图同构)捕获的独立性具有有限的公理化特征。然而,本文表明,贝叶斯网络(称为因果模型)捕获的独立性没有公理化,甚至使用可数许多霍恩或析取子句。这是因为因果模型的子独立模型可能不是因果的,而图同构在子模型下是封闭的。
2008-04-15 cs.AI cs.LO
ABC3: Active Bayesian Causal Inference with Cohn Criteria in Randomized Experiments
Korea University(高丽大学)
提出ABC3主动贝叶斯因果推断策略,通过最小化积分后验方差和组间不平衡,在随机实验中高效估计条件平均处理效应,并经真实数据实验验证其效率与理论性质。
2024-12-15 cs.AI cs.LG stat.ME
An AI-powered Bayesian generative modeling approach for causal inference in observational studies
Department of Biostatistics, Yale University(耶鲁大学生物统计学系);Department of Statistics, Stanford University(斯坦福大学统计学系)
CausalBGM通过学习个体特定的低维潜在特征集,提升高维协变量和大规模数据集中的因果推断性能。
2026-02-19 cs.AI cs.LG stat.ME
Learning Bayesian Networks with Restricted Causal Interactions
Monash University(莫纳什大学)
贝叶斯网络(BN)学习的一个主要问题是条件概率表所需参数的指数数量。最近的研究通过在概率表中建模局部结构来降低这种复杂性。我们研究使用对数线性局部模型。虽然对数线性模型在这种情况下并不新鲜(Whittaker,1990; Buntine,1991; Neal,1992; Heckerman and Meek,1997),但对于结构学习,它们通常被归入朴素贝叶斯模型。我们描述了另一种解释,并使用最小消息长度(MML)(华莱士,1987年)度量的结构学习的网络表现出因果关系的独立性,我们称之为一阶网络(FONs)。我们还调查了本地模型选择上的逐节点的基础上。
2013-01-23 cs.AI cs.LG stat.ML
BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery
Stanford University(斯坦福大学);Facebook AI Research(Facebook人工智能研究院);University of California, Los Angeles(加州大学洛杉矶分校)
结构方程模型(SEM)是一个有效的框架,通过一个有向无环图(DAG)表示的因果关系的原因。最近的进展使有效的最大似然点估计的DAG从观测数据。然而,在实际场景中,点估计可能无法准确地捕获推断基础图时的不确定性,其中真实DAG是不可识别的和/或观察到的数据集是有限的。我们提出了贝叶斯因果发现网(BCD网),一个变分推理框架,用于估计分布在DAG特征的线性高斯SEM。由于图的离散性和组合性,在DAG上开发完整的贝叶斯后验是具有挑战性的。我们分析了DAG上可扩展VI的关键设计选择,例如1)通过表达变分族对DAG进行参数化,2)实现低方差随机优化的连续松弛,以及3)潜在变量的合适先验。我们提供了一系列的真实和合成数据的实验表明,BCD网优于最大似然方法的标准因果发现指标,如结构汉明距离在低数据制度。
2021-12-06 cs.AI cs.LG stat.ML
Causal Climate Emulation with Bayesian Filtering
本文提出一种基于因果表示学习和贝叶斯滤波的可解释气候模拟器,实现快速且稳定的长期自回归模拟,并在合成及真实气候数据上验证其准确性及各组件的重要性。
2025-10-24 cs.AI cs.CE cs.LG
Goal-Oriented Sequential Bayesian Experimental Design for Causal Learning
Department of Computer Science and Engineering(计算机科学与工程系);Department of Mechanical Engineering(机械工程系);Gilbert S. Omenn Department of Computational Medicine and Bioinformatics(Gilbert S. Omenn 计算医学与生物信息学部门)
提出GO-CBED框架,通过基于transformer和归一化流的变分下界估计器最大化预期信息增益,实现面向目标、非短视的序贯因果实验设计,在有限预算和复杂机制下优于基线。
2026-11-05 cs.AI cs.LG stat.ME
Probabilistic Structural Controllability in Causal Bayesian Networks
McGill University(麦吉尔大学)
本文首次研究因果贝叶斯网络中的概率可控性问题,提出概率结构可控性的定义,并识别出一组足够的驱动变量以实现目标变量状态的概率控制。
2015-12-07 cs.AI cs.SY eess.SY
COBRA-PPM: A Causal Bayesian Reasoning Architecture Using Probabilistic Programming for Robot Manipulation Under Uncertainty
Oxford Robotics Institute, Dept. Engineering Science, University of Oxford, UK(牛津大学机器人研究所);Microsoft Research, Redmond, WA, USA(微软研究院);Bristol Robotics Laboratory, School of Engineering, University of the West of England, Bristol, UK(布里斯托尔机器人实验室)
本文提出 COBRA-PPM 因果贝叶斯推理架构,融合因果贝叶斯网络与概率编程进行干预推理,在积木堆叠及家用机器人 sim2real 中实现高预测与任务成功率。
2025-08-29 cs.AI cs.LG cs.RO
Causal datasheet: An approximate guide to practically assess Bayesian networks in the real world
University of Sussex(萨塞克斯大学);Surgo Foundation(苏尔戈基金会);Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院);University of Washington(华盛顿大学)
在解决现实世界的问题,如改变就医行为,设计干预措施,以改善下游的结果需要了解系统内的因果关系。因果贝叶斯网络(BN)已经被提出作为这样一个强大的方法。然而,在现实世界的应用中,对BN结果的信心通常最多是中等的。这在一定程度上是由于无法验证一些基本事实,因为DAG不可用。如果学习到的DAG与预先存在的域原则冲突,这尤其成问题。在政策一级,必须证明这种分析所产生的见解是正确的,最好是伴随着不确定性估计。在这里,我们提出了Gebru等人(2018)提出的贝叶斯概念的因果扩展,以包括任何给定数据集的近似BN性能预期。为了生成原型因果数据表的结果,我们构建了超过30,000个具有真实数据特征的属性的合成数据集。然后,我们记录了最先进的结构学习算法给出的结果。这些结果用于填充因果数据表,并根据预期性能自动生成建议。作为概念验证,我们使用我们的因果数据表生成工具(CDG-T)来分配预期的性能期望,我们在印度北方邦进行的孕产妇健康调查。
2020-03-12 cs.AI cs.LG cs.PF