Causal Effect Identification in LiNGAM Models with Latent Confounders
存在潜在混杂变量时 LiNGAM 模型的因果效应识别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：摘要直接研究潜在混杂下直接与总因果效应的识别和估计。
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…
存在潜在混杂变量时 LiNGAM 模型的因果效应识别
- 研究问题
- 在线性非高斯无环模型存在潜在变量时，哪些观察变量之间的直接或总因果效应通常可识别？研究分别考虑因果图已知和未知。
- 方法与思路
- 作者分别给出两种图信息情形下的图形识别条件，设计条件认证算法，并改造重构独立成分分析算法，在已知图时估计效应。
- 材料陈述的贡献
- 摘要称，论文提供可识别直接和总效应的完整图形刻画与高效认证算法，并通过实验展示所提效应估计方法的有效性。
- 阅读关注点
- 应核对一般可识别性的精确定义、潜在变量结构限制、图未知时的信息来源，以及 RICA 改造方法的估计条件和实验设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实。摘要未列出全部图形条件和分布限制，一般可识别性也不保证所有参数情形都可识别。
原文摘要
We study the generic identifiability of causal effects in linear non-Gaussian acyclic models (LiNGAM) with latent variables. We consider the problem in two main settings: When the causal graph is known a priori, and when it is unknown. In both settings, we provide a complete graphical characterization of the identifiable direct or total causal effects among observed variables. Moreover, we propose efficient algorithms to certify the graphical conditions. Finally, we propose an adaptation of the reconstruction independent component analysis (RICA) algorithm that estimates the causal effects from the observational data given the causal graph. Experimental results show the effectiveness of the proposed method in estimating the causal effects.