Dagma-DCE: Interpretable, Non-Parametric Differentiable Causal Discovery
Dagma-DCE：可解释的非参数可微因果发现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：摘要明确围绕因果发现、因果强度与因果图边的选择展开，因此归入因果推断。
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…
Dagma-DCE：可解释的非参数可微因果发现
- 研究问题
- 可微因果发现中用于判断因果关系的代理指标是否反映实际因果强度，如何构造更可解释的边权、阈值和稀疏惩罚？
- 方法与思路
- 作者提出模型无关的 Dagma-DCE，以可解释的因果强度度量定义加权邻接矩阵，并通过理论分析与模拟比较现有代理指标。
- 材料陈述的贡献
- 摘要称，现有代理指标可能与实际因果强度相差任意大；新方法在模拟中达到所比较先进方法的水平，并支持专家设定阈值与惩罚。
- 阅读关注点
- 应核对因果强度的定义、因果图识别所需假设、无环约束与优化方式，以及阈值和稀疏惩罚如何影响边的恢复。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明完整识别假设与模拟范围，可解释边权本身不能证明恢复了真实因果图。
原文摘要
We introduce Dagma-DCE, an interpretable and model-agnostic scheme for differentiable causal discovery. Current non- or over-parametric methods in differentiable causal discovery use opaque proxies of ``independence'' to justify the inclusion or exclusion of a causal relationship. We show theoretically and empirically that these proxies may be arbitrarily different than the actual causal strength. Juxtaposed to existing differentiable causal discovery algorithms, \textsc{Dagma-DCE} uses an interpretable measure of causal strength to define weighted adjacency matrices. In a number of simulated datasets, we show our method achieves state-of-the-art level performance. We additionally show that \textsc{Dagma-DCE} allows for principled thresholding and sparsity penalties by domain-experts. The code for our method is available open-source at https://github.com/DanWaxman/DAGMA-DCE, and can easily be adapted to arbitrary differentiable models.