Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows
用归一化流实现后非线性模型的因果发现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：摘要以因果方向识别、隐藏噪声独立性和多变量因果发现为核心，直接关联因果推断方向。
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
用归一化流实现后非线性模型的因果发现
- 研究问题
- 后非线性因果模型中，如何落实可逆性约束、恢复隐藏噪声，并据此判断双变量因果方向及多变量因果顺序？
- 方法与思路
- 作者提出 CAF-PoNo，用归一化流施加可逆性约束并重建噪声，再以独立性检验识别方向并扩展到因果排序。
- 材料陈述的贡献
- 摘要称，该方法可用于双变量和多变量因果发现，并在模拟与真实数据实验中优于若干比较方法。
- 阅读关注点
- 应核对后非线性模型的可识别性条件、噪声独立性检验及误差传播，以及多变量扩展与比较实验的设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列识别条件，实验表现不能证明任意观测数据的因果方向。
原文摘要
Post-nonlinear (PNL) causal models stand out as a versatile and adaptable framework for modeling intricate causal relationships. However, accurately capturing the invertibility constraint required in PNL models remains challenging in existing studies. To address this problem, we introduce CAF-PoNo (Causal discovery via Normalizing Flows for Post-Nonlinear models), harnessing the power of the normalizing flows architecture to enforce the crucial invertibility constraint in PNL models. Through normalizing flows, our method precisely reconstructs the hidden noise, which plays a vital role in cause-effect identification through statistical independence testing. Furthermore, the proposed approach exhibits remarkable extensibility, as it can be seamlessly expanded to facilitate multivariate causal discovery via causal order identification, empowering us to efficiently unravel complex causal relationships. Extensive experimental evaluations on both simulated and real datasets consistently demonstrate that the proposed method outperforms several state-of-the-art approaches in both bivariate and multivariate causal discovery tasks.