Bayesian Optimal Experimental Design for Inferring Causal Structure
用于推断因果结构的贝叶斯最优实验设计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：摘要以干预实验和因果结构推断为核心，直接支持因果推断分类；因果图本身不足以确定网络与干扰方向。
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
用于推断因果结构的贝叶斯最优实验设计
- 研究问题
- 当干预实验成本较高时，如何顺序选择最有信息量的干预，以尽快减少对系统因果结构的不确定性并降低计算负担？
- 方法与思路
- 作者提出以期望后验熵为目标的顺序干预设计，通过当前后验的简单汇总计算，避免对假想未来数据反复进行后验推断。
- 材料陈述的贡献
- 摘要称，该方法在一般框架下推导并用于因果网络学习，模拟比较表现有利，同时展示蛋白质信号网络的应用。
- 阅读关注点
- 应核对后验汇总如何决定干预选择、计算简化成立的条件，以及模拟中的成本约束、候选干预集合和比较标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明因果结构识别条件、先验敏感性或性能比较的具体数值。
原文摘要
Inferring the causal structure of a system typically requires interventional data, rather than just observational data. Since interventional experiments can be costly, it is preferable to select interventions that yield the maximum amount of information about a system. We propose a novel Bayesian method for optimal experimental design by sequentially selecting interventions that minimize the expected posterior entropy as rapidly as possible. A key feature is that the method can be implemented by computing simple summaries of the current posterior, avoiding the computationally burdensome task of repeatedly performing posterior inference on hypothetical future datasets drawn from the posterior predictive. After deriving the method in a general setting, we apply it to the problem of inferring causal networks. We present a series of simulation studies in which we find that the proposed method performs favorably compared to existing alternative methods. Finally, we apply the method to real and simulated data from a protein-signaling network.