现有的因果发现算法通常在高维数据上不够有效。 因为高维降低了发现的准确性并增加了计算复杂性。 为了缓解这些问题，我们提出了一种三相方法，以利用特征选择方法和两种最先进的因果发现方法来学习非线性因果模型的结构。 在第一阶段，采用基于最大相关度和最小冗余度的贪婪搜索方法来发现候选因果集，并据此生成因果网络的粗略骨架。 在第二阶段，探索基于约束的方法以从粗糙骨架中发现准确的骨架。 在第三阶段，进行方向学习算法IGCI，以将因果关系的方向与准确的骨架区分开。 实验结果表明，所提出的方法既有效又可扩展，特别是在高维数据上有有趣的发现。

matlab信任模型代码pydcm 使用Python进行动态因果建模 这是Python的端口。 DCM的实际参考实现是一个更大的软件套件的一部分，该套件由英国伦敦大学学院（UCL）神经病学研究所的功能成像实验室（FIL），惠康神经影像学信任中心（Wellcome Trust Center for Neuroimaging）制造。 SPM是用MATLAB编写的，请在GPL2下免费提供。 它们还提供了SPM的独立编译版本，不需要MATLAB许可证即可使用。 但是，该版本无法自定义（除非重新编译，否则仍然需要MATLAB）。 DCM的此实现基于SPM12版本7487中的代码。

黑盒测试-因果图法 黑盒测试-因果图法是软件测试中的一种测试设计方法，用于处理多输入域之间存在互相影响关系的情况。它通过画出因果图，确定每组输入因子所应输出的结果，转换成判定表，然后生成测试用例。 在介绍因果图法之前，我们已经了解了等价类划分法和边界值法，这两种方法对于单一输入域的测试设计非常有用。但是，当输入域较多时，使用等价类划分法和边界值法需要考虑每个输入域的可能值，并对这些值进行排列组合，生成测试用例。这时，如果某些输入域又受到其他输入域的影响，情况变得非常复杂。因此，我们需要采用因果图法来处理这种情况。 因果图法的优点是可以清晰地归纳出输入条件之间的限制关系，直接将某些条件的组合忽略掉。这可以减少测试用例的数量，使测试更加高效。 画因果图的步骤是首先确定输入因子和其间的影响关系，然后画出因果图，最后转换成判定表。因果图的符号包括：逻辑非的关系、逻辑或的关系、逻辑与的关系、逻辑异关系、唯一关系、限制关系和要求关系等。 在画因果图时，我们需要考虑所有可能的输入条件和其间的影响关系，然后将其转换成判定表。判定表是根据因果图生成的，用于描述每组输入因子所应输出的结果。 例如，在某公司产假规定中，我们可以使用因果图法来分析这个规定。我们需要确定输入因子，例如女员工、怀孕不满七个月小产、难产、晚婚、晚育等。然后，我们画出因果图，确定每组输入因子所应输出的结果。我们将因果图转换成判定表，生成测试用例。 在这个过程中，我们发现了一些问题，例如第二胎的情况如何处理？怀孕不满七个月不产时，如果医生认为的产假天数超过了 30 天怎么处理？这些问题都需要我们在软件开发过程中找到制度规定者请其明确。 因果图法是一种非常有用的测试设计方法，特别是在多输入域之间存在互相影响关系的情况下。它可以帮助我们清晰地归纳出输入条件之间的限制关系，减少测试用例的数量，使测试更加高效。

本项目的数据来源于网新银行举办的数据建模比赛的数据，特征包含三类数据，客户基本信息（x1-x11）,行为类数据（x12-x56）,风险评分类数据（x57-x161）,但具体是什么特征我们并无从得知，因此想从特征实际意义入手分析建模是及其困难的。数据包含训练集30000个样本，测试集10000个样本，每个样本除开161个特征变量，还包括干预变量（treatment）和响应变量(y),干预变量把数据集分为两类，实验集（treatment = 1），控制集（treatment = 0）,实验集和控制集的比例大致为1:4。 源码包含用随机森林做缺失值填充、画qini曲线、主程序三个文件 原文链接：https://blog.csdn.net/qq_52073614/article/details/136763601

该书为Matheus Facure所著《Causal Inference in Python: Applying Causal Inference in the Tech Industry》，姑且翻译为《使用Python进行因果推断：科技产业应用》 详情请查看系列读书笔记《使用Python进行因果推断：科技产业应用》啃书(http://t.csdnimg.cn/o0dpV)

面向知识图谱和大语言模型的因果关系推断综述.pdf

Yoshua Bengio 等人基于学习器适应新分布的速度提出一种元学习因果结构，假设新分布由干预、智能体动作以及其它非稳态（non-stationarity）导致的稀疏分布变化引起，由此得出“正确的因果结构选择 会使学习器**更快地适应修改后的分布**”。该假设的研究将“适应修改后分布的速度”作为元学习的目标，表明“这可用于决定两个观测变量之间的因果关系”。研究结论的价值即特点和优势发现是，分布变化无需对应标准干预，学习器不具备关于干预的直接知识。因果结构可通过连续变量进行参数化，并以端到端的形式学得。研究探讨了想法的如何应用，来满足“独立机制 以及 动作和非稳态 导致的 机制内微小稀疏变化 ”的假设。

本文为大家奉上NeurIPS 2020必读的六篇因果推理（Causal Inference）相关论文——Covid-19传播因果分析、反事实概率方法、因果图发现、因果模仿学习、弱监督语义分割、不确定性因果效应。

神经发育障碍（NDD）包括发育性脑功能障碍，可表现为神经精神问题或运动功能受损，学习，语言或非语言交流，即智力障碍，注意力缺陷多动障碍，交流障碍，癫痫症，情绪障碍等。这项研究希望揭示一个事实，即母亲和胎儿是一个整体，任何影响母亲的因素都会影响孩子。 该研究的目的是发现产前母亲情绪状态与神经发育障碍的因果关系。 获得了60例神经发育障碍（NDD）的样本，该疾病具有紧张的产前母亲情感史。 适当的诊断工具，例如范德比尔特ADHD诊断父母评分量表，筛查与儿童焦虑相关的情绪障碍（SCARED），发育筛查测试（DST），Vinland社会成熟度量表（VSMS）和基本的智商测试，例如画人测试，瞪羚绘图，使用Seguine模板（SFB）测试等对每个NDD进行特定诊断。 引起了有关产前史的详细信息，例如家庭压力源，财务问题，人际关系和任何其他压力事件。 不仅引起了压力事件/情境，而且还引起了母亲在怀孕期间做出的反应/情绪的类型。 引起NDD的最常见情绪是产前期的焦虑/忧虑/恐惧，约为41.66％。 在大多数情况下，不同的情绪也混杂在一起。 根据这项研究，发现母亲在怀孕期间产生这种负面情绪的最常见原因是由

smoking.csv 99提案