Differentiable Structure Learning and Causal Discovery for General Binary Data
一般二元数据的可微结构学习与因果发现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：题名和摘要明确研究因果发现及观测数据下的结构识别，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…
关注这篇论文的作者
一般二元数据的可微结构学习与因果发现
- 研究问题
- 面对离散变量间复杂且非线性的依赖关系，如何开展可微结构学习，并刻画仅有观测数据时能够识别的参数与结构范围？
- 方法与思路
- 作者以可表达任意离散依赖的框架，将结构学习写成单一可微优化问题，同时刻画相容参数与结构集合及马尔可夫等价识别。
- 材料陈述的贡献
- 摘要称一般离散模型无法从纯观测数据完全识别，但可刻画全部相容解，并在较弱假设下识别至马尔可夫等价类。
- 阅读关注点
- 核对一般二元模型的参数化、相容集合的刻画、所谓较弱假设的内容，以及优化约束、求解结果与因果方向识别的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收均未核实；摘要未列出识别假设或实验数值，等价类识别不能直接确定唯一因果方向。
原文摘要
Existing methods for differentiable structure learning in discrete data typically assume that the data are generated from specific structural equation models. However, these assumptions may not align with the true data-generating process, which limits the general applicability of such methods. Furthermore, current approaches often ignore the complex dependence structure inherent in discrete data and consider only linear effects. We propose a differentiable structure learning framework that is capable of capturing arbitrary dependencies among discrete variables. We show that although general discrete models are unidentifiable from purely observational data, it is possible to characterize the complete set of compatible parameters and structures. Additionally, we establish identifiability up to Markov equivalence under mild assumptions. We formulate the learning problem as a single differentiable optimization task in the most general form, thereby avoiding the unrealistic simplifications adopted by previous methods. Empirical results demonstrate that our approach effectively captures complex relationships in discrete data.