Better Simulations for Validating Causal Discovery with the DAG-Adaptation of the Onion Method
用 Onion 方法的 DAG 改编设计验证因果发现的模拟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：摘要明确针对因果发现和因果结构学习的模拟验证，研究线性 DAG 数据生成对算法评价的影响。
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 Onion 方法的 DAG 改编设计验证因果发现的模拟
- 研究问题
- 在线性因果图模型中，如何设计更可比较的模拟基准，以减少既有生成机制对因果发现算法性能评价的影响？
- 方法与思路
- 作者提出 DaO 方法，优先采样与给定 DAG 满足马尔可夫关系的相关矩阵，并讨论图的生成及无标度入度、出度设计。
- 材料陈述的贡献
- 摘要称方法在相容相关矩阵空间中均匀采样，比较两类替代模拟设计并提供 Python 和 R 实现，倡议将其作为通用基准。
- 阅读关注点
- 应核对均匀采样所依据的空间与测度、图结构及参数生成规则，以及不同设计改变了哪些任务难度和算法比较结论。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出比较数值，通用且公平的基准定位属于作者主张。
原文摘要
The number of artificial intelligence algorithms for learning causal models from data is growing rapidly. Most ``causal discovery'' or ``causal structure learning'' algorithms are primarily validated through simulation studies. However, no widely accepted simulation standards exist and publications often report conflicting performance statistics -- even when only considering publications that simulate data from linear models. In response, several manuscripts have criticized a popular simulation design for validating algorithms in the linear case. We propose a new simulation design for generating linear models for directed acyclic graphs (DAGs): the DAG-adaptation of the Onion (DaO) method. DaO simulations are fundamentally different from existing simulations because they prioritize the distribution of correlation matrices rather than the distribution of linear effects. Specifically, the DaO method uniformly samples the space of all correlation matrices consistent with (i.e. Markov to) a DAG. We also discuss how to sample DAGs and present methods for generating DAGs with scale-free in-degree or out-degree. We compare the DaO method against two alternative simulation designs and provide implementations of the DaO method in Python and R: https://github.com/bja43/DaO_simulation. We advocate for others to adopt DaO simulations as a fair universal benchmark.