Empirical Bayesian Approaches for Robust Constraint-based Causal Discovery under Insufficient Data
数据不足时稳健约束型因果发现的经验贝叶斯方法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：摘要明确研究观测数据下的因果发现及用于学习因果关系的独立性检验。
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…
数据不足时稳健约束型因果发现的经验贝叶斯方法
- 研究问题
- 在观测样本不足、独立性检验不稳定的情况下，如何改善基于约束的因果发现方法对变量因果关系的学习表现？
- 方法与思路
- 作者分别通过贝叶斯互信息估计和假设似然估计增强频率学派独立性检验，再将两类检验嵌入约束型因果发现流程。
- 材料陈述的贡献
- 摘要称在样本不足的基准数据上，新检验提高了因果发现的准确性与效率，但没有给出具体增幅及适用样本范围。
- 阅读关注点
- 应核对先验与经验贝叶斯步骤、独立性检验的校准、因果图识别假设，以及有限样本实验中的基准和计算成本。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明因果识别条件或检验误差控制，实验改善不能保证恢复真实因果图。
原文摘要
Causal discovery is to learn cause-effect relationships among variables given observational data and is important for many applications. Existing causal discovery methods assume data sufficiency, which may not be the case in many real world datasets. As a result, many existing causal discovery methods can fail under limited data. In this work, we propose Bayesian-augmented frequentist independence tests to improve the performance of constraint-based causal discovery methods under insufficient data: 1) We firstly introduce a Bayesian method to estimate mutual information (MI), based on which we propose a robust MI based independence test; 2) Secondly, we consider the Bayesian estimation of hypothesis likelihood and incorporate it into a well-defined statistical test, resulting in a robust statistical testing based independence test. We apply proposed independence tests to constraint-based causal discovery methods and evaluate the performance on benchmark datasets with insufficient samples. Experiments show significant performance improvement in terms of both accuracy and efficiency over SOTA methods.