Self-Compatibility: Evaluating Causal Discovery without Ground Truth
自兼容性：在没有真实因果结构时评估因果发现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：摘要直接研究因果发现、错误因果关系的否证及因果模型选择，因此最直接对应因果推断这一领域细分。
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
自兼容性：在没有真实因果结构时评估因果发现
- 研究问题
- 真实因果结构通常不可得，而模拟评价依赖预设的数据生成过程；本文研究如何在没有真实结构时检验因果发现输出的可靠性。
- 方法与思路
- 作者比较不同变量子集上学习得到的因果图，构造图之间的兼容性检验，利用跨变量子集的不兼容性识别可能错误的因果关系。
- 材料陈述的贡献
- 摘要称，作者证明不兼容性能够否证因假设违反或有限样本误差产生的错误关系，并通过实验展示其辅助因果模型选择的作用。
- 阅读关注点
- 应核对兼容性的形式定义、适用的图与模型类别、否证结论的前提，以及有限样本检验如何控制误报和处理多个变量子集。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；通过兼容性检验仅是必要条件，摘要未提供具体定理前提或检验误差保证。
原文摘要
As causal ground truth is incredibly rare, causal discovery algorithms are commonly only evaluated on simulated data. This is concerning, given that simulations reflect preconceptions about generating processes regarding noise distributions, model classes, and more. In this work, we propose a novel method for falsifying the output of a causal discovery algorithm in the absence of ground truth. Our key insight is that while statistical learning seeks stability across subsets of data points, causal learning should seek stability across subsets of variables. Motivated by this insight, our method relies on a notion of compatibility between causal graphs learned on different subsets of variables. We prove that detecting incompatibilities can falsify wrongly inferred causal relations due to violation of assumptions or errors from finite sample effects. Although passing such compatibility tests is only a necessary criterion for good performance, we argue that it provides strong evidence for the causal models whenever compatibility entails strong implications for the joint distribution. We also demonstrate experimentally that detection of incompatibilities can aid in causal model selection.