Identifiability of causal graphs under nonadditive conditionally parametric causal models
非加性条件参数化因果模型下因果图的可识别性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：摘要核心是条件分布约束下的因果图识别与因果发现；因果图本身不等于网络干扰研究。
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
非加性条件参数化因果模型下因果图的可识别性
- 研究问题
- 面对厚尾以及离散、连续变量混合的数据，如何利用更灵活的条件分布模型识别因果图，超越既有结构模型的限制？
- 方法与思路
- 作者提出条件参数化因果模型，使结果给定原因后的分布属于已知参数族，利用充分统计量研究识别，并构造因果结构估计算法。
- 材料陈述的贡献
- 摘要称，该框架允许原因影响结果的均值、方差或尾部，建立了可识别性，并在多个数据集与基准中报告领先表现。
- 阅读关注点
- 核对允许的参数族、参数随原因变化的方式及可识别性例外，并检查多变量图算法的假设、评价指标和基准设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出识别条件和性能数值，不能据此认定任意条件参数模型均可识别。
原文摘要
Existing approaches to causal discovery often rely on restrictive modeling assumptions that limit their applicability in real-world settings, particularly when data are heavy-tailed or contain a mixture of discrete and continuous variables. Identifiability of causal graphs has been established under several structural models, including linear non-Gaussian models, post-nonlinear models, and location-scale models. However, these frameworks may not capture the diversity of distributions observed in practice. To address this, we introduce Conditionally Parametric Causal Models (CPCM), a flexible class of models where the conditional distribution of the effect, given its cause, belongs to a known parametric family such as Gaussian, Poisson, Gamma, or Pareto. These models are adaptable to a wide range of practical situations, where the cause influences not only the mean but also the variance or tail behavior of the effect. We demonstrate the identifiability of CPCM by leveraging the concept of sufficient statistics. Furthermore, we propose an algorithm for estimating the causal structure from random samples drawn from CPCM. We evaluate the empirical properties of our methodology on various datasets, demonstrating state-of-the-art performance across multiple benchmarks.