Tensor-based second-order causal discovery
基于张量的二阶因果发现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：摘要直接使用结构方程模型及干预数据识别因果图和参数，对应因果推断方向。
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
基于张量的二阶因果发现
- 研究问题
- 如何利用观察与干预数据的协方差矩阵恢复因果图及边上参数，并在较少干预和较高维度下保持可识别性与计算可行性？
- 方法与思路
- 作者提出 TSCD，将不同数据环境的协方差矩阵组成张量，在 DAG 上的线性结构方程模型中恢复结构，并实现非线性版本。
- 材料陈述的贡献
- 摘要称，在噪声不相关的线性设定下，对数数量的干预可识别因果顺序和参数；实验显示方法能扩展到数百个变量。
- 阅读关注点
- 应核对干预的类型、配置和覆盖条件，张量分解如何识别因果顺序，以及线性理论与非线性实现之间的保证差别。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未完整说明干预设计和可识别条件，实验表现不能替代普遍保证。
原文摘要
Causal discovery seeks to uncover the causal dependencies among variables. For this purpose, we propose an algorithm called Tensor-based Second-order Causal Discovery (TSCD). Its input is a tensor obtained from the covariance matrices of observational and interventional data. Assuming the causal dependencies follow a linear structural equation model on a directed acyclic graph (DAG), TSCD outputs the DAG and the functions on its edges, requiring only that the noise variables are uncorrelated. We also implement a version of the approach for nonlinear models. Our focus on second-order statistics (via the covariance matrices) is motivated by their statistical and computational efficiency relative to higher-order moments, their identifiability relative to first-order statistics, and that they work regardless of whether the variables are Gaussian. We show that TSCD has identifiable causal order and parameters from a number of interventions that is logarithmic in the number of variables. Experiments show that TSCD is robust to noise, competitive with existing methods, and scales to hundreds of variables.