NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning
NODAGS-Flow：非线性有环因果结构学习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：摘要明确从干预数据学习具有反馈循环的因果图；有环图本身不足以归为网络干扰。
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
NODAGS-Flow：非线性有环因果结构学习
- 研究问题
- 真实系统存在反馈循环且关系非线性时，如何利用干预数据学习有环因果图，并构建具有明确概率基础的模型？
- 方法与思路
- 作者提出 NODAGS-Flow，利用残差归一化流技术估计似然，以直接似然优化学习非线性有环因果图模型。
- 材料陈述的贡献
- 摘要称方法在合成实验及单细胞扰动筛选数据中，相对所比较的现有方法，在结构恢复和预测表现上取得显著改善。
- 阅读关注点
- 应核对反馈系统的解与概率模型如何定义、干预信息如何进入似然，以及结构可识别性、优化约束和比较评价标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未列明识别与稳定性条件，也未提供改善幅度或统计显著性检验细节。
原文摘要
Learning causal relationships between variables is a well-studied problem in statistics, with many important applications in science. However, modeling real-world systems remain challenging, as most existing algorithms assume that the underlying causal graph is acyclic. While this is a convenient framework for developing theoretical developments about causal reasoning and inference, the underlying modeling assumption is likely to be violated in real systems, because feedback loops are common (e.g., in biological systems). Although a few methods search for cyclic causal models, they usually rely on some form of linearity, which is also limiting, or lack a clear underlying probabilistic model. In this work, we propose a novel framework for learning nonlinear cyclic causal graphical models from interventional data, called NODAGS-Flow. We perform inference via direct likelihood optimization, employing techniques from residual normalizing flows for likelihood estimation. Through synthetic experiments and an application to single-cell high-content perturbation screening data, we show significant performance improvements with our approach compared to state-of-the-art methods with respect to structure recovery and predictive performance.