Structure Learning on Clustered Data
聚类数据中的结构学习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：摘要明确以因果发现为背景学习有向无环图，并讨论模型识别与真实结构恢复；聚类结构本身不足以将其归为面板方法。
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…
聚类数据中的结构学习
- 研究问题
- 当不同群组存在局部差异时，如何学习总体有向无环图，同时容纳群组特定关系，避免把所有观测误当成完全同质的总体？
- 方法与思路
- 作者将固定效应与随机效应框架扩展到图结构学习，设计保证两类图并集无环的可微耦合机制，并使用一阶方法和群组批量更新。
- 材料陈述的贡献
- 摘要称，文章给出算法收敛、模型可识别性及渐近结构恢复结果；真实与合成数据实验还发现了替代估计器遗漏的依赖关系。
- 阅读关注点
- 应核对全局图和群组图的统计含义、无环约束的实现，以及识别和结构恢复所需条件；算法收敛结果还需区分具体收敛目标。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列出识别条件及收敛对象，检测到更多依赖不自动说明其因果方向正确。
原文摘要
Recent algorithmic advances have made directed acyclic graph (DAG) structure learning scalable for causal discovery. Yet, the currently available techniques assume a completely homogeneous population, precluding their application to clustered data where cluster-specific variations (e.g., patient-specific effects) are common. We address this issue by introducing a new approach that estimates a global structure while accounting for local cluster-level effects. The key idea is to extend the fixed- and random-effects framework of classical mixed models to the structure learning setting. Towards this end, we present a differentiable graph coupling mechanism that guarantees the union of the fixed- and random-effects graphs remains acyclic. Computationally, we provide a provably convergent first-order method and leverage efficient batched updates across clusters. Statistically, we establish identifiability of the model and show that our approach recovers the true structure asymptotically. In experiments on real and synthetic data, our proposal detects dependencies missed by alternative estimators, underscoring its value for structure learning in clustered settings.