Localised Natural Causal Learning Algorithms for Weak Consistency Conditions
弱一致性条件下的局部自然因果学习算法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：摘要讨论因果结构学习、忠实性假设及结构发现算法的一致性。
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
弱一致性条件下的局部自然因果学习算法
- 研究问题
- 能否放宽自然结构学习算法所依赖的条件，形成局部化算法族，并刻画其一致性的必要与充分假设及相应计算代价？
- 方法与思路
- 作者通过放宽自然结构学习算法的条件定义 LoNS，给出一致性假设，提出指数时间算法，并与 PC/SGS 和最稀疏排列算法进行比较。
- 材料陈述的贡献
- 摘要称，LoNS 一致性的必要充分条件严格弱于受限忠实性假设；论文提供可实施算法及模拟比较，但具体性能差异未在摘要中展开。
- 阅读关注点
- 应核对自然性与局部化的正式定义、条件放宽的严格含义、一致性目标，以及指数计算复杂度对变量规模和实用性的限制。
- 阅读边界
- 依据所给 arXiv 预印本摘要，不能确认同行评审或期刊接收。摘要未列出必要充分条件与模拟数值，不能判断弱假设是否带来有限样本优势。
原文摘要
By relaxing conditions for natural structure learning algorithms, a family of constraint-based algorithms containing all exact structure learning algorithms under the faithfulness assumption, we define localised natural structure learning algorithms (LoNS). We also provide a set of necessary and sufficient assumptions for consistency of LoNS, which can be thought of as a strict relaxation of the restricted faithfulness assumption. We provide a practical LoNS algorithm that runs in exponential time, which is then compared with related existing structure learning algorithms, namely PC/SGS and the relatively recent sparsest permutation algorithm. Simulation studies are also provided.