Epidemiological Causal Graph Identification: Challenges, Identifiability and Algorithms
流行病学因果图识别：挑战、可识别性与算法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：摘要研究观察数据中的因果图方向识别，明确依赖节点分布与结构假设，并讨论因果发现算法，直接对应因果推断。
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…
流行病学因果图识别：挑战、可识别性与算法
- 研究问题
- 在同时包含有序变量和指数族变量的观察数据中，哪些因果图边方向可以利用分布结构识别，突破通常的马尔可夫等价限制？
- 方法与思路
- 作者将有序节点设为 ordered logit 模型，其他节点采用正则单参数指数族，并提出评分穷举搜索及基于 DAGMA 的掩码优化。
- 材料陈述的贡献
- 摘要称，有序节点与指数族节点之间的边方向对一般参数值具有分布可识别性，并将已有有序变量与泊松变量的结果推广。
- 阅读关注点
- 应核对节点模型与因果图假设、一般参数值及例外集合的定义，以及局部边方向识别如何支持完整图的搜索与恢复。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出完整结构假设，不能将模型内识别理解为任意混合数据的因果发现。
原文摘要
Causal discovery from observational data is fundamental to statistics and machine learning, yet determining causal direction without interventions necessitates structural assumptions. Existing identifiability research primarily focuses on continuous variables under additive noise models, often neglecting mixed datasets containing ordinal scales, counts, and continuous measurements. This paper investigates causal discovery in Directed Acyclic Graphs (DAGs) where nodes follow either an ordinal distribution (via an ordered logit model) or a regular one-parameter exponential family distribution. We prove that the edge direction between an ordinal and an exponential family node is distributionally identifiable for generic parameter values. Our findings generalize previous Ordinal-Poisson results to the broader exponential family. Computationally, we introduce a score-based exhaustive search and a masked continuous optimization framework using DAGMA for larger graphs. Numerical results validate the theory, recovering edge orientations within a Markov equivalence class that are unidentifiable under classical structural equation models.