A Fast Non-parametric Approach for Local Causal Structure Learning
局部因果结构学习的快速非参数方法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：摘要明确研究因果图中父节点的识别与错误因果声明控制，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…
局部因果结构学习的快速非参数方法
- 研究问题
- 在尽量不限制函数关系和噪声形式时，如何快速识别目标变量的父节点，并控制局部因果结构学习中的错误声明？
- 方法与思路
- 作者基于 FOCI 变量选择算法构造 DAG-FOCI，输出目标变量的父节点集合，并在不同图结构条件下讨论理论保证。
- 材料陈述的贡献
- 摘要称，在不存在经过目标变量的无向环时提供理论保证；放宽此条件后，在父节点可识别时仍提供保守的假阳性保证。
- 阅读关注点
- 应核对父节点可识别的具体条件、无向环限制的作用，以及保守保证的概率含义、计算复杂度和实验比较方式。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已经同行评审或期刊接收；摘要未说明完整识别条件，不能推断其适用于任意因果图。
原文摘要
We study the problem of causal structure learning with essentially no assumptions on the functional relationships and noise. We develop DAG-FOCI, a computationally fast algorithm for this setting that is based on the FOCI variable selection algorithm in~\cite{azadkia2021simple}. DAG-FOCI outputs the set of parents of a response variable of interest. We provide theoretical guarantees of our procedure when the underlying graph does not contain any (undirected) cycle containing the response variable of interest. Furthermore, in the absence of this assumption, we give a conservative guarantee against false positive causal claims when the set of parents is identifiable. We demonstrate the applicability of DAG-FOCI on simulated as well as a real dataset from computational biology~\cite{sachs2005causal}.