DMIR实验室

  实验室在因果领域进行了十余年的积累。本次录用成果为团队在因果发现、因果效应评估等方面的最新成果。成果简介如下，后续将会陆续推出论文的详细解读，敬请期待。

Identification of Causal Structure in the Presence of Missing Data with Additive Noise Model

作者：Jie Qiao, Zhengming Chen, Jianhua Yu, Ruichu Cai, Zhifeng Hao.

   同时存在非随机缺失和自掩蔽缺失（缺失结果依赖于缺失值本身）场景下的因果发现是领域公开问题。针对这一问题，我们发现加性噪声模型具有自掩缺失存在的情况下学习因果结构的潜力，进而提出了弱自掩缺失的检测方法，给出了加性噪声模型在非随机缺失数据上可识别的充分必要条件及其因果结果学习方法。

Causal Discovery from Poisson Branching Structural Causal Model Using High-Order Cumulant with Path Analysis

作者：Jie Qiao, Yu Xiang, Zhengming Chen, Ruichu Cai, Zhifeng Hao.

   针对从计数数据发现因果结构的问题，我们提出了泊松分支结构因果模型（Poisson Branching Structural Causal Model，PB-SCM）对计数数据进行建模。在此基础上，我们通过路径分析，建立了因果结构以及数据的累积量统计量之间的联系，研究了PB-SCM的可识别性条件，进一步提出了基于路径分析以及高阶累积量的泊松分支结构因果模型因果发现方法。

TNPAR: Topological Neural Poisson Auto-Regressive Model for Learning Granger Causal Structure from Event Sequences

Where and How to Attack? A Causality-Inspired Recipe for Generating Counterfactual Adversarial Examples

作者：Ruichu Cai, Yuxuan Zhu, Jie Qiao, Zefeng Liang, Furui Liu, Zhifeng Hao.

   本工作从因果角度对攻击问题进行了重新思考与建模。通过引入因果对样本生成过程进行建模，我们系统回答了从哪些变量进行攻击、如何进行攻击这两方面的问题，给出了攻击样本生成的因果方法。

Exploiting Geometry for Treatment Effect Estimation via Optimal Transport

作者：Yuguang Yan, Zeqin Yang, Weilin Chen, Ruichu Cai, Zhifeng Hao, Michael Kwok-Po Ng.

   针对因果效应估计中复杂数据分布难以有效对齐的挑战，我们从理论上建立了因果效应估计和最优传输模型之间的联系，并以此为基础通过挖掘数据中蕴含的几何结构信息提升了因果效应评估的准确性。

An Optimal Transport View for Subspace Clustering and Spectral Clustering

作者：Yuguang Yan, Zhihao Xu, Canlin Yang, Jie Zhang, Ruichu Cai, Michael Kwok-Po Ng.

   我们提供了一种新的视角，从最优传输模型的角度理解子空间聚类和谱聚类，并以此为基础提出了一种谱最优传输质心模型进行聚类。

Hypergraph Joint Representation Learning for Hypervertices and Hyperedges via Cross Expansion

作者：Yuguang Yan, Yuanlin Chen, Shibo Wang, Hanrui Wu, Ruichu Cai.

   针对现有超图展开方法容易损失高阶结构信息的问题，我们提出了一种新的超图展开方法，保留超图中的高阶结构信息，并以此为基础学习超节点和超边的联合表征空间，挖掘共享信息。

感谢各位同行专家和朋友们对DMIR实验室的支持与帮助！感谢各位合作者、老师们、同学们的辛苦付出！