Visual Analysis of Multi-outcome Causal Graphs
多结局因果图的可视分析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：摘要直接涉及因果发现算法与多结局因果图分析，而未涉及经济网络中的干扰效应。
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…
多结局因果图的可视分析
- 研究问题
- 面对不同健康结局对应的多个因果图，如何比较因果发现算法，并帮助分析者识别各图之间的共同结构和差异以研究共病？
- 方法与思路
- 作者与医学专家合作，提出比较因果发现算法的渐进式可视化，以及比较多个结局图的布局和视觉编码，支持连续与分类变量混合数据。
- 材料陈述的贡献
- 摘要称，方法支持单结局因果图的调整和多图比较，并通过基准数据定量评估、医学专家案例和真实健康数据用户研究进行评价。
- 阅读关注点
- 应核对图构建与调整流程、视觉比较如何保留因果结构信息、混合数据处理方式，以及评估指标是否区分易用性与因果发现准确性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未说明因果发现所需假设或评估数值，可视化结果本身不能证明因果关系成立。
原文摘要
We introduce a visual analysis method for multiple causal graphs with different outcome variables, namely, multi-outcome causal graphs. Multi-outcome causal graphs are important in healthcare for understanding multimorbidity and comorbidity. To support the visual analysis, we collaborated with medical experts to devise two comparative visualization techniques at different stages of the analysis process. First, a progressive visualization method is proposed for comparing multiple state-of-the-art causal discovery algorithms. The method can handle mixed-type datasets comprising both continuous and categorical variables and assist in the creation of a fine-tuned causal graph of a single outcome. Second, a comparative graph layout technique and specialized visual encodings are devised for the quick comparison of multiple causal graphs. In our visual analysis approach, analysts start by building individual causal graphs for each outcome variable, and then, multi-outcome causal graphs are generated and visualized with our comparative technique for analyzing differences and commonalities of these causal graphs. Evaluation includes quantitative measurements on benchmark datasets, a case study with a medical expert, and expert user studies with real-world health research data.