Causal Discovery under Off-Target Interventions
脱靶干预下的因果发现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：摘要直接研究随机脱靶干预下的因果图识别、验证和搜索。
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…
脱靶干预下的因果发现
- 研究问题
- 尝试干预可能实际作用于随机的一组变量时，如何验证或搜索因果图，并尽量减少所需干预次数？
- 方法与思路
- 作者令实际干预节点集服从依赖于尝试动作的分布，在该随机干预模型下研究验证与搜索并设计近似算法。
- 材料陈述的贡献
- 摘要称模型涵盖已有自适应无噪声干预及脱靶情形，为验证和搜索提供多对数竞争比的算法及初步实验。
- 阅读关注点
- 应核对干预分布是否已知、实际受干预节点是否可观察、验证与搜索的目标，以及竞争比的基准和适用条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未说明竞争比具体形式、识别条件或实验性能数值。
原文摘要
Causal graph discovery is a significant problem with applications across various disciplines. However, with observational data alone, the underlying causal graph can only be recovered up to its Markov equivalence class, and further assumptions or interventions are necessary to narrow down the true graph. This work addresses the causal discovery problem under the setting of stochastic interventions with the natural goal of minimizing the number of interventions performed. We propose the following stochastic intervention model which subsumes existing adaptive noiseless interventions in the literature while capturing scenarios such as fat-hand interventions and CRISPR gene knockouts: any intervention attempt results in an actual intervention on a random subset of vertices, drawn from a distribution dependent on attempted action. Under this model, we study the two fundamental problems in causal discovery of verification and search and provide approximation algorithms with polylogarithmic competitive ratios and provide some preliminary experimental results.