Identifying Direct Causes using Intervened Target Variable
利用受干预目标变量识别直接原因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：摘要的核心是借助跨环境不变性和干预数据识别因果父节点，文本依据直接对应因果推断。
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
利用受干预目标变量识别直接原因
- 研究问题
- 在线性模型与多环境干预数据中，如何识别目标变量的直接原因，并缓解既有不变预测方法对图结构和实验条件的限制？
- 方法与思路
- 作者以不变匹配性质替代传统条件分布不变性的表述，建立因果父节点的可识别性结果，并据此构造识别程序。
- 材料陈述的贡献
- 摘要称其在相对宽松的假设下获得识别结果，并提出简单的操作程序；合成数据和真实数据用于展示方法表现。
- 阅读关注点
- 应核对不变匹配性质的定义、具体干预方式、图结构限制，以及所谓较宽松假设与既有识别条件之间的准确关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出识别假设、实验设计要求或比较结果，无法判断适用范围。
原文摘要
Identifying the direct causes or causal parents of a target variable is crucial for scientific discovery. Focusing on linear models, the invariant prediction framework was built upon the invariance principle, namely, the conditional distribution of the target variable given its causal parents is invariant across multiple environments or experimental conditions. However, their identifiability results for causal parents can be restrictive with respect to the underlying graph structure and the experimental conditions for generating interventional data. Motivated by a recent alternative formulation of invariance, called the invariant matching property, we establish identifiability results under relatively mild assumptions, which leads to a simple yet effective procedure for identifying causal parents. We demonstrate the performance of the proposed method over various synthetic and real datasets.