Invariant Causal Prediction with Local Models
使用局部模型的不变因果预测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：摘要直接以多环境观察性数据识别因果父节点为目标，并利用干预解释与结构不变性建立方法，属于因果推断。
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
使用局部模型的不变因果预测
- 研究问题
- 当不同环境下目标变量与候选变量的线性关系可以变化，但因果结构保持不变时，能否利用观察性数据识别目标变量的因果父节点？
- 方法与思路
- 作者允许环境间线性关系变化，在共同因果结构下提出识别充分条件，并构造利用最小与最大统计量之比进行检验的 L-ICP 方法。
- 材料陈述的贡献
- 摘要称给出父节点识别的充分条件，并在简化情形证明检验功效随样本量指数收敛，同时通过实验考察更一般设置下的方法表现。
- 阅读关注点
- 应核对哪些环境变化可视为干预、允许哪些系数变化、识别充分条件，以及功效指数收敛结果限定的简化模型和检验校准方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未给出环境干预和可识别性的具体条件，简化设置的功效结论不能任意外推。
原文摘要
We consider the task of identifying the causal parents of a target variable among a set of candidates from observational data. Our main assumption is that the candidate variables are observed in different environments which may, under certain assumptions, be regarded as interventions on the observed system. We assume a linear relationship between target and candidates, which can be different in each environment with the only restriction that the causal structure is invariant across environments. Within our proposed setting we provide sufficient conditions for identifiability of the causal parents and introduce a practical method called L-ICP ($\textbf{L}$ocalized $\textbf{I}$nvariant $\textbf{Ca}$usal $\textbf{P}$rediction), which is based on a hypothesis test for parent identification using a ratio of minimum and maximum statistics. We then show in a simplified setting that the statistical power of L-ICP converges exponentially fast in the sample size, and finally we analyze the behavior of L-ICP experimentally in more general settings.