Scalable Causal Structure Learning via Amortized Conditional Independence Testing
通过摊销条件独立检验实现可扩展因果结构学习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：摘要明确以因果子图发现、混杂变量处理和统计错误控制为核心，属于因果推断，图上的边并未被描述为处理干扰。
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…
通过摊销条件独立检验实现可扩展因果结构学习
- 研究问题
- 当只关心两组节点之间的二部因果子图时，如何在较大图上发现因果边，同时保留统计假设检验的一类错误控制？
- 方法与思路
- 作者将二部子图发现转化为同时假设检验，并在可能混杂变量集合上进行离散优化，为每条候选边的检验统计量求上界。
- 材料陈述的贡献
- 摘要称 SCSL 在半合成模拟中可处理数百节点并维持错误控制和较好功效，且用于分析癌症基因突变与不同组织转移的联系。
- 阅读关注点
- 应核对因果结构学习所需假设、条件独立检验与离散优化的衔接，以及错误控制的具体层级、计算复杂度和真实数据解释。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明错误控制是逐边还是整体，也未列出因果识别的完整假设。
原文摘要
Controlling false positives (Type I errors) through statistical hypothesis testing is a foundation of modern scientific data analysis. Existing causal structure discovery algorithms either do not provide Type I error control or cannot scale to the size of modern scientific datasets. We consider a variant of the causal discovery problem with two sets of nodes, where the only edges of interest form a bipartite causal subgraph between the sets. We develop Scalable Causal Structure Learning (SCSL), a method for causal structure discovery on bipartite subgraphs that provides Type I error control. SCSL recasts the discovery problem as a simultaneous hypothesis testing problem and uses discrete optimization over the set of possible confounders to obtain an upper bound on the test statistic for each edge. Semi-synthetic simulations demonstrate that SCSL scales to handle graphs with hundreds of nodes while maintaining error control and good power. We demonstrate the practical applicability of the method by applying it to a cancer dataset to reveal connections between somatic gene mutations and metastases to different tissues.