MARCEDES: Score-based causal discovery under non-Gaussianity with continuous optimization
MARCEDES：非高斯条件下连续优化的评分式因果发现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：摘要明确研究结构方程模型中因果有向无环图的识别与学习。
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…
MARCEDES：非高斯条件下连续优化的评分式因果发现
- 研究问题
- 非高斯误差结构方程模型中，如何利用连续优化学习因果有向无环图，同时处理高维稀疏性和有限样本问题？
- 方法与思路
- 作者从拉普拉斯误差工作模型构造平均绝对残差风险，加入逐行稀疏惩罚和软无环约束，并以广义贝叶斯调参。
- 材料陈述的贡献
- 摘要称真实加权因果图在渐近风险上优于其他矩阵，提出无约束评分优化算法，并在模拟中报告性能改善。
- 阅读关注点
- 应核对真实图风险最优的假设、误设分布的允许范围，以及软约束能否得到无环图和优化结果的稳定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出识别和优化保证的完整条件，模拟优势不能推广到任意模型。
原文摘要
We consider the problem of learning the underlying causal directed acyclic graph (DAG) structure corresponding to a structural equation model (SEM) with non-Gaussian errors. Motivated by an intentionally misspecified non-Gaussian SEM with all Laplace errors, we first introduce the mean absolute residual risk, defined over the space of all real matrices, and show that, asymptotically, the risk of the true weighted causal DAG matrix is strictly smaller than that of any other matrix. Nevertheless, to enhance generality and account for high-dimensional and finite-sample settings, we further incorporate row-specific sparsity penalties along with a soft DAG constraint to derive a continuous score function over the space of real matrices. Accordingly, we propose a score-based DAG learning method, named MARCEDES, formulated as an unconstrained score minimization problem, which can be efficiently solved using gradient-based optimization techniques, thereby circumventing the challenges associated with constrained optimization. Furthermore, we develop a computational algorithm to handle the non-smoothness of the score objective and to enable optimal tuning of row-specific sparsity penalties under a generalized Bayes framework. Finally, we demonstrate the efficiency and improved performance of the proposed method over existing approaches through an extensive simulation study.