Score-Based Causal Discovery with Temporal Background Information
利用时间背景信息的评分式因果发现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：摘要直接讨论因果图发现、边定向和调整集识别，属于因果推断；图结构本身不构成网络干扰方向的分类依据。
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…
利用时间背景信息的评分式因果发现
- 研究问题
- 如何把变量的时间层级知识纳入评分式因果发现，以缩小观测数据允许的图结构范围并改善边定向与调整集识别？
- 方法与思路
- 作者提出时间贪婪等价搜索 TGES，设计考虑时间层级知识的评分准则，从观测数据学习受约束的马尔可夫等价类。
- 材料陈述的贡献
- 摘要称算法总返回层级最大定向部分有向无环图，大样本下包含真实图，并报告相较时间 PC 算法的模拟表现。
- 阅读关注点
- 应核对评分准则和搜索步骤、真实图包含结论的假设，以及时间知识出错时的表现与精确率—召回率比较的设置。
- 阅读边界
- 这是 arXiv 预印本摘要，不能据此认定同行评审或期刊接收；摘要未说明理论条件，且包含真实图不等于唯一识别全部因果边。
原文摘要
Temporal background information can improve causal discovery algorithms by orienting edges and identifying relevant adjustment sets. We develop the Temporal Greedy Equivalence Search (TGES) algorithm and terminology essential for score-based causal discovery with tiered background knowledge. TGES learns a restricted Markov equivalence class of directed acyclic graphs (DAGs) using observational data and tiered background knowledge. To construct TGES we formulate a scoring criterion that accounts for tiered background knowledge. We establish theoretical results for TGES, stating that the algorithm always returns a tiered maximally oriented partially directed acyclic graph (tiered MPDAG) and that this tiered MPDAG contains the true DAG in the large sample limit. We present a simulation study indicating a gain from using tiered background knowledge and an improved precision-recall trade-off compared to the temporal PC algorithm. We provide a real-world example on life-course health data.