Generalized Criterion for Identifiability of Additive Noise Models Using Majorization
基于主序关系的加性噪声模型广义可识别性准则AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究观测数据下因果 DAG 的可识别性与恢复算法，因此归入因果推断；银行连接仅是应用背景。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于主序关系的加性噪声模型广义可识别性准则
- 研究问题
- 如何通过加性噪声模型的条件方差限制，从观测数据识别因果有向无环图，并推广已有方差型识别准则？
- 方法与思路
- 作者提出条件方差识别准则；在线性结构方程模型中，对协方差矩阵 Cholesky 因子的对角元素运用弱主序学习拓扑顺序。
- 材料陈述的贡献
- 摘要称，新准则推广现有方差型准则，并提出拓扑排序算法；模拟与银行连接数据分析为因果图恢复能力提供证据。
- 阅读关注点
- 核对条件方差约束如何排除等价图、弱主序算法的适用条件，以及模拟设计与银行数据中的因果解释依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列完整识别条件，应用表现不能证明任意因果图均可恢复。
原文摘要
The discovery of causal relationships from observational data is very challenging. Many recent approaches rely on complexity or uncertainty concepts to impose constraints on probability distributions, aiming to identify specific classes of directed acyclic graph (DAG) models. In this paper, we introduce a novel identifiability criterion for DAGs that places constraints on the conditional variances of additive noise models. We demonstrate that this criterion extends and generalizes existing identifiability criteria in the literature that employ (conditional) variances as measures of uncertainty in (conditional) distributions. For linear Structural Equation Models, we present a new algorithm that leverages the concept of weak majorization applied to the diagonal elements of the Cholesky factor of the covariance matrix to learn a topological ordering of variables. Through extensive simulations and the analysis of bank connectivity data, we provide evidence of the effectiveness of our approach in successfully recovering DAGs. The code for reproducing the results in this paper is available in Supplementary Materials.