Functional Bayesian Networks for Discovering Causality from Multivariate Functional Data
从多元函数型数据发现因果关系的函数型贝叶斯网络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：摘要直接以函数对象之间的因果关系和唯一因果结构识别为目标；其中的有向图不等同于所列网络与干扰问题。
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…
从多元函数型数据发现因果关系的函数型贝叶斯网络
- 研究问题
- 如何从带测量噪声的多元函数型数据中识别因果结构，并突破常用高斯过程设定对唯一结构识别可能带来的限制？
- 方法与思路
- 作者构造以有向无环图编码条件独立及因果结构的函数型贝叶斯网络，允许非高斯函数对象，并通过完全贝叶斯框架推断。
- 材料陈述的贡献
- 摘要称非高斯设定是带噪函数数据下唯一因果结构识别的关键，后验摘要提供不确定性刻画，模拟及真实数据展示实用性。
- 阅读关注点
- 核对非高斯条件与唯一识别结论的完整范围、函数测量噪声的处理，以及后验结构不确定性如何计算和展示。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出完整识别条件、噪声限制或应用细节，非高斯本身不能视为充分保证。
原文摘要
Multivariate functional data arise in a wide range of applications. One fundamental task is to understand the causal relationships among these functional objects of interest, which has not yet been fully explored. In this article, we develop a novel Bayesian network model for multivariate functional data where the conditional independence and causal structure are both encoded by a directed acyclic graph. Specifically, we allow the functional objects to deviate from Gaussian process, which is adopted by most existing functional data analysis models. The more reasonable non-Gaussian assumption is the key for unique causal structure identification even when the functions are measured with noises. A fully Bayesian framework is designed to infer the functional Bayesian network model with natural uncertainty quantification through posterior summaries. Simulation studies and real data examples are used to demonstrate the practical utility of the proposed model.