Causal Preference Elicitation
因果偏好征询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：摘要明确研究专家参与的因果发现、因果图方向和有向效应恢复。
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…
因果偏好征询
- 研究问题
- 如何在专家判断存在噪声且提问预算有限时，主动征询局部因果边的存在与方向，加快因果图后验的集中？
- 方法与思路
- 作者从观测数据的黑箱图后验出发，以三分类似然描述专家判断，采用粒子近似更新后验，并按预期信息增益选择问题。
- 材料陈述的贡献
- 摘要称，在合成图、蛋白质信号数据和基因扰动基准中，该方法在有限提问预算下加快后验集中并改善有向效应恢复。
- 阅读关注点
- 应核对观测后验的来源、专家错误模型与粒子近似，以及信息增益计算、因果方向评价和提问预算的比较设置。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未经核实。摘要未说明识别保证、专家可靠性条件或性能数值，后验集中未必代表因果正确。
原文摘要
We propose causal preference elicitation, a Bayesian framework for expert-in-the-loop causal discovery that actively queries local edge relations to concentrate a posterior over directed acyclic graphs (DAGs). From any black-box observational posterior, we model noisy expert judgments with a three-way likelihood over edge existence and direction. Posterior inference uses a flexible particle approximation, and queries are selected by an efficient expected information gain criterion on the expert's categorical response. Experiments on synthetic graphs, protein signaling data, and a human gene perturbation benchmark show faster posterior concentration and improved recovery of directed effects under tight query budgets.