Choosing DAG Models Using Markov and Minimal Edge Count in the Absence of Ground Truth
缺乏真实图时利用马尔可夫条件与最少边数选择有向无环图模型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：摘要明确研究因果结构学习、DAG 与 CPDAG 模型的检验和选择。
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…
缺乏真实图时利用马尔可夫条件与最少边数选择有向无环图模型
- 研究问题
- 在不知道真实因果图的情况下，如何利用数据检查候选图的马尔可夫条件，并结合简约性选择结构学习算法及调参方案？
- 方法与思路
- 作者提出非参数逐点一致的 Markov Checker 检验，再用 CAFS 搜索排除未通过检验或不满足最少边数准则的图模型。
- 材料陈述的贡献
- 摘要称，该流程无需参照真实图即可筛选近似正确模型，并提供软件；处理较大或稠密图需足够快的条件独立检验。
- 阅读关注点
- 应核对逐点一致性的适用条件、条件独立检验的实现、边数准则的定义，以及通过检验与因果方向识别之间的关系。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或期刊接收；检验通过不直接证明因果图正确，摘要未说明完整识别边界。
原文摘要
We give a novel nonparametric pointwise consistent statistical test (the Markov Checker) of the Markov condition for directed acyclic graph (DAG) or completed partially directed acyclic graph (CPDAG) models given a dataset. We also introduce the Cross-Algorithm Frugality Search (CAFS) for rejecting DAG models that either do not pass the Markov Checker test or that are not edge minimal. Edge minimality has been used previously by Raskutti and Uhler as a nonparametric simplicity criterion, though CAFS readily generalizes to other simplicity conditions. Reference to the ground truth is not necessary for CAFS, so it is useful for finding causal structure learning algorithms and tuning parameter settings that output causal models that are approximately true from a given data set. We provide a software tool for this analysis that is suitable for even quite large or dense models, provided a suitably fast pointwise consistent test of conditional independence is available. In addition, we show in simulation that the CAFS procedure can pick approximately correct models without knowing the ground truth.