Bayesian Hierarchical Invariant Prediction
贝叶斯层级不变预测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：摘要明确围绕不变因果预测及跨异质数据的因果机制检验展开，直接支持因果推断分类。
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…
贝叶斯层级不变预测
- 研究问题
- 如何用层级贝叶斯框架检验异质数据中的因果机制不变性，并在纳入先验信息的同时提高对更多预测变量的计算适应性？
- 方法与思路
- 作者提出 BHIP，以层级贝叶斯重新表述不变因果预测，利用层级结构显式检验机制不变性，并进行模拟与真实数据评价。
- 材料陈述的贡献
- 摘要称 BHIP 相对 ICP 提高了更多预测变量情形下的计算扩展能力，允许使用先验，并展示作为替代推断方法的潜力。
- 阅读关注点
- 应核对环境异质性的定义、不变性检验与先验设定，以及计算比较规模和从机制不变性推断因果结构所需的假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明识别保证、误差控制或性能数值，不能据此认定普遍优于 ICP。
原文摘要
We propose Bayesian Hierarchical Invariant Prediction (BHIP) reframing Invariant Causal Prediction (ICP) through the lens of Hierarchical Bayes. We leverage the hierarchical structure to explicitly test invariance of causal mechanisms under heterogeneous data, resulting in improved computational scalability for a larger number of predictors compared to ICP. Moreover, given its Bayesian nature BHIP enables the use of prior information. We evaluate BHIP on both synthetic and real-world datasets, demonstrating its potential as an alternative inference method to ICP and related methods.