The Landscape of Causal Discovery Data: Grounding Causal Discovery in Real-World Applications
因果发现数据的全景：立足真实应用的因果发现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：摘要直接讨论从数据发现因果关系、因果假设及其评估，因此归入因果推断。
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
因果发现数据的全景：立足真实应用的因果发现
- 研究问题
- 因果发现方法为何尚未广泛用于真实科学问题？作者关注方法假设、评估数据和评价指标与实际应用需求之间的距离。
- 方法与思路
- 作者系统回顾近期因果发现文献，梳理生物学、神经科学和地球科学中的应用、模拟与真实数据，以及常见假设违背。
- 材料陈述的贡献
- 摘要称，综述为方法假设和评估实践的局限提供文献依据，并整理相关领域的数据资源，倡导更贴近现实的评估。
- 阅读关注点
- 应核对综述的检索范围、纳入标准、真实数据因果参照的来源，以及评价指标如何对应各领域的科学问题。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明综述覆盖程度和指标细节，也不足以判断具体方法的可靠性。
原文摘要
Causal discovery aims to automatically uncover causal relationships from data, a capability with significant potential across many scientific disciplines. However, its real-world applications remain limited. Current methods often rely on unrealistic assumptions and are evaluated only on simple synthetic toy datasets, often with inadequate evaluation metrics. In this paper, we substantiate these claims by performing a systematic review of the recent causal discovery literature. We present applications in biology, neuroscience, and Earth sciences - fields where causal discovery holds promise for addressing key challenges. We highlight available simulated and real-world datasets from these domains and discuss common assumption violations that have spurred the development of new methods. Our goal is to encourage the community to adopt better evaluation practices by utilizing realistic datasets and more adequate metrics.