Causal Discovery with Heterogeneous Observational Data
异质性观测数据下的因果发现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：摘要明确研究异质性观测数据中的因果结构识别与贝叶斯因果发现。
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
异质性观测数据下的因果发现
- 研究问题
- 如何利用观测数据中的异质性，在存在未观测共同原因且因果结构可能含环的系统中，学习直接因果关系及其不确定性？
- 方法与思路
- 作者将直接因果效应设为外生协变量的函数，以解释数据异质性，研究结构可识别性，并采用完全贝叶斯结构学习。
- 材料陈述的贡献
- 摘要提出面向因果不充分、可能含环系统的结构学习方法，讨论可识别性并通过模拟和真实应用展示用途。
- 阅读关注点
- 应核对外生协变量如何解释异质性、含环系统的有效性条件，以及未观测共同原因存在时结构可识别的具体要求。
- 阅读边界
- 这是arXiv预印本，同行评审及接收未核验。摘要未列明识别条件，不能推断任意异质性均能消除混杂或识别循环结构。
原文摘要
We consider the problem of causal discovery (structure learning) from heterogeneous observational data. Most existing methods assume a homogeneous sampling scheme, which leads to misleading conclusions when violated in many applications. To this end, we propose a novel approach that exploits data heterogeneity to infer possibly cyclic causal structures from causally insufficient systems. The core idea is to model the direct causal effects as functions of exogenous covariates that properly explain data heterogeneity. We investigate structure identifiability properties of the proposed model. Structure learning is carried out in a fully Bayesian fashion, which provides natural uncertainty quantification. We demonstrate its utility through extensive simulations and a real-world application.