A Meta Learning Approach to Discerning Causal Graph Structure
利用元学习辨识因果图结构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：摘要以因果图结构、因果方向辨识及潜在混杂下的因果发现为核心。
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
利用元学习辨识因果图结构
- 研究问题
- 如何利用分布简单性和元学习判断变量间的因果方向，并在复杂图结构、潜在混杂及有限数据条件下评估这种判断的稳健性？
- 方法与思路
- 作者优化分布简单性度量，采用包含潜变量的随机图表示学习因果方向，并将模型预测视为随机事件，通过集成分类器降低输出变异。
- 材料陈述的贡献
- 摘要称，方法能推断因果关系的存在与方向，对适度数据不足较稳健，但对分布变化较不稳健；集成方法旨在减少预测变异。
- 阅读关注点
- 应核对分布简单性的定义、因果方向可辨识的分布假设、潜在混杂的表示能力，以及集成降低变异是否同时保留系统偏差。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核实。摘要未列出识别条件、理论保证或性能数值，不能将模型输出直接当作已验证的因果结构。
原文摘要
We explore the usage of meta-learning to derive the causal direction between variables by optimizing over a measure of distribution simplicity. We incorporate a stochastic graph representation which includes latent variables and allows for more generalizability and graph structure expression. Our model is able to learn causal direction indicators for complex graph structures despite effects of latent confounders. Further, we explore robustness of our method with respect to violations of our distributional assumptions and data scarcity. Our model is particularly robust to modest data scarcity, but is less robust to distributional changes. By interpreting the model predictions as stochastic events, we propose a simple ensemble method classifier to reduce the outcome variability as an average of biased events. This methodology demonstrates ability to infer the existence as well as the direction of a causal relationship between data distributions.