Learning linear acyclic causal model including Gaussian noise using ancestral relationships
利用祖先关系学习含高斯噪声的线性无环因果模型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：摘要明确研究线性因果图、祖先关系和含高斯扰动时的可识别范围，方法目标是因果结构学习，属于因果推断。
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
利用祖先关系学习含高斯噪声的线性无环因果模型
- 研究问题
- 在线性无环因果模型允许高斯扰动时，如何识别分布等价模式，并降低已有 PC-LiNGAM 方法可能产生的高昂计算复杂度？
- 方法与思路
- 作者推广因果祖先寻找算法以容纳高斯扰动，再利用祖先关系学习线性因果模型的分布等价模式，并与 PC-LiNGAM 比较复杂度。
- 材料陈述的贡献
- 摘要称所提算法能够学习含高斯扰动模型的分布等价模式，时间复杂度低于 PC-LiNGAM；摘要未报告新的具体复杂度阶数。
- 阅读关注点
- 应核对高斯与非高斯扰动的区分、祖先关系可识别的条件、分布等价模式保留哪些方向信息，以及复杂度比较的输入和标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未列完整模型条件，也未声称所有含高斯噪声的因果图均可完全识别。
原文摘要
This paper discusses algorithms for learning causal DAGs. The PC algorithm makes no assumptions other than the faithfulness to the causal model and can identify only up to the Markov equivalence class. LiNGAM assumes linearity and continuous non-Gaussian disturbances for the causal model, and the causal DAG defining LiNGAM is shown to be fully identifiable. The PC-LiNGAM, a hybrid of the PC algorithm and LiNGAM, can identify up to the distribution-equivalence pattern of a linear causal model, even in the presence of Gaussian disturbances. However, in the worst case, the PC-LiNGAM has factorial time complexity for the number of variables. In this paper, we propose an algorithm for learning the distribution-equivalence patterns of a linear causal model with a lower time complexity than PC-LiNGAM, using the causal ancestor finding algorithm in Maeda and Shimizu, which is generalized to account for Gaussian disturbances.