Learning Causal Abstractions of Linear Structural Causal Models
学习线性结构因果模型的因果抽象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：摘要研究结构因果模型之间的抽象关系和从观测数据进行因果发现。
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…
学习线性结构因果模型的因果抽象
- 研究问题
- 不同粒度的线性结构因果模型何时能够通过线性映射形成因果抽象，能否从观测数据共同学习两层模型及其抽象关系？
- 方法与思路
- 作者刻画低层系数、抽象映射和高层系数的关系，并提出 Abs-LiNGAM，在非高斯噪声假设下利用高层约束加速低层发现。
- 材料陈述的贡献
- 摘要称，研究给出系数和因果排序之间的约束，并在模拟中展示从数据学习因果抽象的可行性及改善因果发现扩展性的潜力。
- 阅读关注点
- 应核对因果抽象如何保持干预含义、映射及两层模型的可识别性，以及非高斯噪声假设和高层估计误差如何影响低层恢复。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。摘要仅涉及线性模型与线性抽象，未说明完整假设或现实数据表现。
原文摘要
The need for modelling causal knowledge at different levels of granularity arises in several settings. Causal Abstraction provides a framework for formalizing this problem by relating two Structural Causal Models at different levels of detail. Despite increasing interest in applying causal abstraction, e.g. in the interpretability of large machine learning models, the graphical and parametrical conditions under which a causal model can abstract another are not known. Furthermore, learning causal abstractions from data is still an open problem. In this work, we tackle both issues for linear causal models with linear abstraction functions. First, we characterize how the low-level coefficients and the abstraction function determine the high-level coefficients and how the high-level model constrains the causal ordering of low-level variables. Then, we apply our theoretical results to learn high-level and low-level causal models and their abstraction function from observational data. In particular, we introduce Abs-LiNGAM, a method that leverages the constraints induced by the learned high-level model and the abstraction function to speedup the recovery of the larger low-level model, under the assumption of non-Gaussian noise terms. In simulated settings, we show the effectiveness of learning causal abstractions from data and the potential of our method in improving scalability of causal discovery.