Differentiable Cyclic Causal Discovery Under Unmeasured Confounders
未观测混杂下的可微循环因果发现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：摘要明确针对干预数据中的非线性因果图学习和未观测混杂识别，支持因果推断分类；因果图本身不足以支持网络干扰分类。
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…
未观测混杂下的可微循环因果发现
- 研究问题
- 当因果系统既存在反馈循环又包含未观测混杂时，如何利用干预数据学习非线性因果图并估计混杂变量分布？
- 方法与思路
- 作者提出 DCCD-CONF，通过最大化数据对数似然交替优化图结构和混杂分布，并在合成数据与基因扰动数据上评估。
- 材料陈述的贡献
- 摘要称，框架提供一致性保证，并在所报告实验的因果图恢复与混杂识别中优于比较方法；具体优势大小未提供。
- 阅读关注点
- 应核对干预类型及覆盖程度、循环系统的定义、潜在混杂的可识别条件，以及一致性保证与数值优化结果的对应关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未列出一致性条件或实验数值，不能推断任意混杂与循环均可识别。
原文摘要
Understanding causal relationships between variables is fundamental across scientific disciplines. Most causal discovery algorithms rely on two key assumptions: (i) all variables are observed, and (ii) the underlying causal graph is acyclic. While these assumptions simplify theoretical analysis, they are often violated in real-world systems, such as biological networks. Existing methods that account for confounders either assume linearity or struggle with scalability. To address these limitations, we propose DCCD-CONF, a novel framework for differentiable learning of nonlinear cyclic causal graphs in the presence of unmeasured confounders using interventional data. Our approach alternates between optimizing the graph structure and estimating the confounder distribution by maximizing the log-likelihood of the data. Through experiments on synthetic data and real-world gene perturbation datasets, we show that DCCD-CONF outperforms state-of-the-art methods in both causal graph recovery and confounder identification. Additionally, we also provide consistency guarantees for our framework, reinforcing its theoretical soundness.