Causal DAG Summarization (Full Version)
因果有向无环图的摘要化：完整版本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：摘要研究因果图简化过程中混杂信息的保留、因果推断与假设误设，因此对应因果推断。
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…
因果有向无环图的摘要化：完整版本
- 研究问题
- 当高维因果有向无环图复杂到难以人工核验时，如何简化图结构而保留推断所需的关键因果信息，并降低错误图假设带来的风险？
- 方法与思路
- 作者提出兼顾图简化与因果信息保留的摘要化目标，设计高效贪心算法，并在六个真实数据集上与三种既有方案比较推断和误设稳健性。
- 材料陈述的贡献
- 摘要称，生成的摘要因果图可直接用于推断，对假设误设更稳健；实验展示了处理高维图并保留可靠因果推断所需信息的能力。
- 阅读关注点
- 应核对摘要图节点与边的含义、保留何种因果查询或调整信息，以及直接推断与误设稳健性的条件；还需检查贪心算法的优化保证和实验评价标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。“完整版本”不代表已同行评审；摘要未说明信息保留和稳健性的具体条件，不能认定摘要化能修复任意错误图。
原文摘要
Causal inference aids researchers in discovering cause-and-effect relationships, leading to scientific insights. Accurate causal estimation requires identifying confounding variables to avoid false discoveries. Pearl's causal model uses causal DAGs to identify confounding variables, but incorrect DAGs can lead to unreliable causal conclusions. However, for high dimensional data, the causal DAGs are often complex beyond human verifiability. Graph summarization is a logical next step, but current methods for general-purpose graph summarization are inadequate for causal DAG summarization. This paper addresses these challenges by proposing a causal graph summarization objective that balances graph simplification for better understanding while retaining essential causal information for reliable inference. We develop an efficient greedy algorithm and show that summary causal DAGs can be directly used for inference and are more robust to misspecification of assumptions, enhancing robustness for causal inference. Experimenting with six real-life datasets, we compared our algorithm to three existing solutions, showing its effectiveness in handling high-dimensional data and its ability to generate summary DAGs that ensure both reliable causal inference and robustness against misspecifications.