Directed Cyclic Graph for Causal Discovery from Multivariate Functional Data
多变量函数型数据因果发现的有向循环图模型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：摘要明确研究函数型结构方程、循环因果图和因果可识别性；脑电应用与低维嵌入不支持宏观因子或经济网络分类。
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…
多变量函数型数据因果发现的有向循环图模型
- 研究问题
- 当多变量函数型数据的因果结构包含循环时，如何在保留相关因果信息的低维空间中学习因果图并量化不确定性？
- 方法与思路
- 作者提出函数型线性结构方程模型和低维因果嵌入，在所称标准假设下讨论识别，并通过完整贝叶斯框架推断。
- 材料陈述的贡献
- 摘要称，该模型具有因果可识别性，模拟中的因果图估计优于比较方法，并以脑电数据展示应用。
- 阅读关注点
- 应核对所谓标准假设的具体内容、循环结构的处理、低维嵌入保留因果信息的条件，以及后验图不确定性的表达。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出识别假设，模拟优势不能据此推广到所有数据。
原文摘要
Discovering causal relationship using multivariate functional data has received a significant amount of attention very recently. In this article, we introduce a functional linear structural equation model for causal structure learning when the underlying graph involving the multivariate functions may have cycles. To enhance interpretability, our model involves a low-dimensional causal embedded space such that all the relevant causal information in the multivariate functional data is preserved in this lower-dimensional subspace. We prove that the proposed model is causally identifiable under standard assumptions that are often made in the causal discovery literature. To carry out inference of our model, we develop a fully Bayesian framework with suitable prior specifications and uncertainty quantification through posterior summaries. We illustrate the superior performance of our method over existing methods in terms of causal graph estimation through extensive simulation studies. We also demonstrate the proposed method using a brain EEG dataset.