Incorporating Expert Knowledge into Bayesian Causal Discovery of Mixtures of Directed Acyclic Graphs
将专家知识纳入有向无环图混合的贝叶斯因果发现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：摘要明确研究异质总体中的因果图发现及专家知识对因果结构推断的作用。
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…
将专家知识纳入有向无环图混合的贝叶斯因果发现
- 研究问题
- 当异质总体可能对应多个因果图时，如何征询专家知识并形成合适的图先验，以支持因果贝叶斯网络混合的学习？
- 方法与思路
- 作者依据贝叶斯实验设计征询反馈，扩展 DiBS 为变分混合结构学习方法，并将专家反馈形成的信息图先验纳入迭代推断。
- 材料陈述的贡献
- 摘要称，方法可产生多个替代因果模型，在模拟专家参与的异质合成数据上改善结构学习，并用于乳腺癌数据库。
- 阅读关注点
- 应核对专家问题与反馈的编码、混合成分的可识别性、错误专家信息的影响，以及合成评估和真实应用的因果验证依据。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未获核实；改善证据来自模拟专家设置，真实数据分布拟合不能直接验证因果图。
原文摘要
Bayesian causal discovery benefits from prior information elicited from domain experts, and in heterogeneous domains any prior knowledge would be badly needed. However, so far prior elicitation approaches have assumed a single causal graph and hence are not suited to heterogeneous domains. We propose a causal elicitation strategy for heterogeneous settings, based on Bayesian experimental design (BED) principles, and a variational mixture structure learning (VaMSL) method -- extending the earlier differentiable Bayesian structure learning (DiBS) method -- to iteratively infer mixtures of causal Bayesian networks (CBNs). We construct an informative graph prior incorporating elicited expert feedback in the inference of mixtures of CBNs. Our proposed method successfully produces a set of alternative causal models (mixture components or clusters), and achieves an improved structure learning performance on heterogeneous synthetic data when informed by a simulated expert. Finally, we demonstrate that our approach is capable of capturing complex distributions in a breast cancer database.