- 博客(19)
- 收藏
- 关注
RSS订阅原创 论文精读：Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data
我们从一个数据集。
2025-01-06 15:56:52
1235
2
原创 论文精读：EffCause: Discover Dynamic Causal Relationships Efficiently from Time-Series
动态因果曲线（DCC）
2025-01-05 19:40:54
1405
原创 论文精读：Root Cause Analysis in Microservice Using Neural Granger Causal Discovery
在诊断阶段，我们应用一种名为Pagerank的随机游走算法，结合个性化向量，根据因果图推荐最可能的根源原因。 监控系统将通过关键绩效指标（KPIs）监控微服务系统的运行状态，在典型场景中，当异常的KPI触发异常检测系统时，我们定位根本原因。引入了一种创新的自监督学习方法，专门将具有不同上下文信息的相同时间戳视为正例对，以解决将具有相似周期性的数据点错误识别为负例对的问题。提出了一种名为RUN的自监督神经Granger因果发现框架，用于捕捉时间序列数据中的上下文信息，并构建多变量时间序列之间的因果图。
2025-01-03 20:26:16
2571
原创 论文精读：Learning Causal Relations from Subsampled Time Series with Two Time-Slices
Learning Causal Relations from Subsampled Time Series with Two Time-Slices摘要本文研究了在稀疏采样和粗粒度时间尺度下，从子采样时间序列中学习因果关系的问题。由于连续测量之间存在大量缺失的时间切片，传统的因果发现方法在这种数据上会产生显著误差。为了解决这一问题，本文提出了一种新的算法DHT-CIT，它仅使用两个时间切片的数据来学习子采样时间序列中的因果关系。DHT-CIT算法通过迭代应用条件独立性准则来测试时
2025-01-02 10:37:24
1339
原创 论文精读：CAUSAL DISCOVERY FROM TIME-SERIES DATA WITH SHORT-TERM INVARIANCE-BASED CONVOLUTIONAL NE
SymboldTXitX_i^tXitiiitttXiXi1⋯XiT∈RTXiXi1⋯XiT∈RTiiiTTTtime stepsXX1⋯Xd∈Rd×TXX1⋯Xd∈Rd×T菅GVX1XdVX1XdGGEEVVW∈Rd×d×τˉ1W∈Rd×d×τˉ1Xi→τXjXiτ。
2025-01-01 20:16:05
983
原创 论文精读：ROOT CAUSE ANALYSIS OF ANOMALIES IN MULTI VARIATE TIME SERIES THROUGH GRANGER CAUSAL
根本原因识别是定位在特定时间步长。
2024-12-26 15:39:44
1928
原创 论文精读：Causal Discovery from Subsampled Time Series with Proxy Variables
（全时间有向无环图）令。
2024-12-24 10:13:33
1170
原创 论文精读：CausalTime: Realistically Generated Time-series for Benchmarking of Causal Discovery
设。
2024-12-02 15:12:01
2628
原创 论文精读：Masked Gradient-Based Causal Structure Learning
本文探讨了如何从观察数据中学习因果结构的问题。研究者将带有加性噪声的结构方程模型（SEM）重新表述为由二进制图邻接矩阵参数化的形式，并证明了在温和条件下，如果原始SEM是可识别的，那么二进制邻接矩阵可以被识别为真实因果图的超图。研究者利用重新表述的SEM开发了一种因果结构学习方法，该方法可以使用基于梯度的优化高效训练，并利用平滑的无环性特征和Gumbel-Softmax方法来近似二进制邻接矩阵。
2024-11-28 14:47:48
967
原创 论文精读：CASTLE: Regularization via Auxiliary Causal Graph Discovery
CASTLE: Regularization via Auxiliary Causal Graph Discovery摘要 因果结构学习（CASTLE）是一种新的正则化方法，它通过联合学习变量之间的因果关系来改进监督模型对样本外数据的泛化能力。CASTLE通过在神经网络输入层嵌入因果有向无环图（DAG）作为邻接矩阵，专注于重建具有因果邻居的特征，从而提高预测准确性。理论分析和实验结果表明，与现有基准正则化方法相比，CASTLE能更一致地产生更好的样本外预测结果。 **主要贡献：**本研究提出了一种
2024-11-26 11:06:34
1120
原创 论文精读：Learning Functional Causal Models with Generative Neural Networks（二）
使用这个命题和在方程8中提出的MMD^k\widehat{\mathrm{MMD}}_kMMDk评分标准，可以证明，在无限观测样本的假设下，CGNNCGNNCGNN的分布P^\hat{P}P^可以估计（未知的）FCMFCMFCM的真实观测分布，达到任意精度： 命题3 设D\mathscr{D}D是从(G,f,E)(\mathscr{G}, f, \mathscr{E})(G,f,E)生成的无限观测样本。使用与命题2相同的符号，对于每一个序列εt\varepsilon_tεt，使得εt>0\va
2024-11-23 10:09:43
1030
原创 论文精读：Learning Functional Causal Models with Generative Neural Networks（一）
Learning Functional Causal Models with Generative Neural Networks因果生成神经网络 设X=[X1,…,Xd]\mathbf{X}=\left[X_1, \ldots, X_d\right]X=[X1,…,Xd]表示一组具有联合分布PPP的连续随机变量，并进一步假设PPP的联合密度函数hhh在Rd\mathbb{R}^dRd的一个紧致子集上是连续且严格正定，在其他地方为零。使用生成神经网络建模连续的模糊认知图 首先证明存在一个（不
2024-11-21 19:57:42
1181
原创 NOTEARS算法部分命题证明
这个等式实际上是在特定条件下成立的，具体来说，当矩阵 $ B$ 的谱半径（即其特征值的最大绝对值）小于1时，级数 $ \sum_{k=0}^{\infty} B^k $收敛，并且这个无穷级数的和等于 ( (I - B)^{-1} )。因此，第一个等号 $ \text{tr}(I - B)^{-1} = \text{tr} \sum_{k=0}^{\infty} B^k $ 是通过矩阵的几何级数展开和迹的线性性质得到的。这意味着 $ \sum_{k=0}^{\infty} B^k $ 是。
2024-11-18 09:31:41
1212
原创 论文精读：Learning Sparse Nonparametric DAGs
Learning Sparse Nonparametric DAGs昨天朋友问我，如何在读博期间保持身心健康我跟他说，还身心健康！我每天保证不哭就不错了呜呜呜~~来继续看一下今天的论文吧，先看一下摘要摘要1)论文提出了一种基于代数表征的非参数DAGs学习框架，适用于多种非参数和半参数模型。2）该框架通过利用基于偏导数的非参数稀疏性，形成了一个连续优化问题，不依赖于特定的建模选择或算法。3）论文展示了该框架在广义线性模型、加性噪声模型和索引模型中的应用，并证明了其通用性和灵活性。4）通过增加
2024-11-16 10:26:29
2381
原创 论文精度：ALIAS: DAG Learning with Efficient Unconstrained Policies
研究提出了ALIAS（无环约束的强化DAG学习），这是一种利用RL机制的因果发现新方法。ALIAS通过一种新颖的DAG参数化方法，实现了在单步中高效生成DAGs，具有最优的二次复杂度，无需显式执行无环约束。该方法通过使用策略梯度方法和已建立的评分函数，更有效地导航搜索空间，并且在合成和真实数据集上，与因果发现的最新技术相比，ALIAS展现了强大的性能。
2024-11-14 11:21:57
994
原创 论文精读：DAGs with No Curl: An Efficient DAG Structure Learning Approach
梯度（grad :
2024-11-13 16:50:26
1245
原创 论文精读：On the Role of Sparsity and DAG Constraints for Learning Linear DAGs
文中摘要可总结为一下几点：本文研究了线性高斯和非高斯情况下稀疏性和DAG约束在学习DAG模型中的渐近作用，并探讨了它们在有限样本情况下的有效性。基于理论结果，提出了一个基于似然的评分函数，并证明只需应用软稀疏性和DAG约束即可学习与真实DAG等效的DAG。这导致了一个无约束优化问题，更容易解决，并通过基于梯度的优化和GPU加速，可以轻松处理数千个节点，同时保持高准确性。
2024-11-12 20:35:03
878
原创 论文精读：DAGs with NO TEARS: Continuous Optimization for Structure Learning
NOTEARS
2024-11-11 21:52:10
951
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人