Bivariate Causal Discovery for Categorical Data via Classification with Optimal Label Permutation
通过最优标签置换分类进行类别数据的二元因果发现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：摘要直接研究类别变量之间的因果方向识别，并提出因果发现模型与学习算法。
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
通过最优标签置换分类进行类别数据的二元因果发现
- 研究问题
- 对于两个类别变量，能否借助简约的分类模型区分因果方向，并改善现有类别数据因果发现方法的识别与学习表现？
- 方法与思路
- 作者提出最优标签置换分类模型 COLP，由此构造因果模型，并通过比较正向与反向模型的似然函数学习因果方向。
- 材料陈述的贡献
- 摘要称该模型具有可证明的可识别性，合成与真实数据实验表现有利，并提供包含算法和类别因果对基准数据的 R 包。
- 阅读关注点
- 应核对可识别性依赖的模型限制、标签置换的搜索方式，以及似然比较、实验基准和因果方向标签的可靠性。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明潜在混杂及模型误设如何影响方向识别。
原文摘要
Causal discovery for quantitative data has been extensively studied but less is known for categorical data. We propose a novel causal model for categorical data based on a new classification model, termed classification with optimal label permutation (COLP). By design, COLP is a parsimonious classifier, which gives rise to a provably identifiable causal model. A simple learning algorithm via comparing likelihood functions of causal and anti-causal models suffices to learn the causal direction. Through experiments with synthetic and real data, we demonstrate the favorable performance of the proposed COLP-based causal model compared to state-of-the-art methods. We also make available an accompanying R package COLP, which contains the proposed causal discovery algorithm and a benchmark dataset of categorical cause-effect pairs.