Nonlinear Causal Discovery via Kernel Anchor Regression
基于核锚回归的非线性因果发现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：摘要明确研究非线性因果发现及结构方程模型的识别条件。
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…
基于核锚回归的非线性因果发现
- 研究问题
- 当变量关系不再线性时，如何扩展锚回归以学习非线性结构方程模型，并明确估计收敛与因果关系识别的条件？
- 方法与思路
- 作者提出核锚回归，研究经典两阶段最小二乘形式，以及包含三个独立非参数回归阶段的改进变体，并分析收敛与识别。
- 材料陈述的贡献
- 摘要称给出了核锚回归估计量的收敛结果及学习非线性结构方程的识别条件，并在实验中展示相对所选基准的性能优势。
- 阅读关注点
- 应核对锚变量的角色、核函数与正则化选择、两阶段和三阶段程序的差异，以及收敛结论与因果识别条件之间的关系。
- 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；摘要未列出完整识别条件，实验优势不能证明可恢复任意非线性因果结构。
原文摘要
Learning causal relationships is a fundamental problem in science. Anchor regression has been developed to address this problem for a large class of causal graphical models, though the relationships between the variables are assumed to be linear. In this work, we tackle the nonlinear setting by proposing kernel anchor regression (KAR). Beyond the natural formulation using a classic two-stage least square estimator, we also study an improved variant that involves nonparametric regression in three separate stages. We provide convergence results for the proposed KAR estimators and the identifiability conditions for KAR to learn the nonlinear structural equation models (SEM). Experimental results demonstrate the superior performances of the proposed KAR estimators over existing baselines.