Rank-Based Causal Discovery for Post-Nonlinear Models
后非线性模型的秩方法因果发现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：摘要明确利用后非线性结构因果模型判断因果方向，因此归入因果推断；未提供经济行为结构估计或其他方向的直接依据。
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…
后非线性模型的秩方法因果发现
- 研究问题
- 如何在后非线性因果模型中估计非线性关系并判断因果方向，减少现有残差依赖最小化方法面临的过拟合和调参困难？
- 方法与思路
- 作者利用后非线性模型的自然不变性，通过秩方法估计函数参数，将非线性函数估计与用于确定因果方向的独立性检验分离。
- 材料陈述的贡献
- 摘要称，提出了新的后非线性因果发现方法，证明其一致性，并通过数值实验验证结果，回应此类模型超出二变量情形的研究不足。
- 阅读关注点
- 应核对秩方法利用何种不变性、函数及噪声需要哪些限制，以及一致性覆盖哪些步骤、独立性检验误差如何影响定向。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已通过同行评审或获期刊接收；摘要未列出一致性和方向识别的条件，也未说明具体多变量适用范围。
原文摘要
Learning causal relationships from empirical observations is a central task in scientific research. A common method is to employ structural causal models that postulate noisy functional relations among a set of interacting variables. To ensure unique identifiability of causal directions, researchers consider restricted subclasses of structural causal models. Post-nonlinear (PNL) causal models constitute one of the most flexible options for such restricted subclasses, containing in particular the popular additive noise models as a further subclass. However, learning PNL models is not well studied beyond the bivariate case. The existing methods learn non-linear functional relations by minimizing residual dependencies and subsequently test independence from residuals to determine causal orientations. However, these methods can be prone to overfitting and, thus, difficult to tune appropriately in practice. As an alternative, we propose a new approach for PNL causal discovery that uses rank-based methods to estimate the functional parameters. This new approach exploits natural invariances of PNL models and disentangles the estimation of the non-linear functions from the independence tests used to find causal orientations. We prove consistency of our method and validate our results in numerical experiments.