Learning Directed Acyclic Graphs from Partial Orderings
利用部分因果排序学习有向无环图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：摘要明确将有向无环图用于因果关系建模，并利用部分因果排序学习结构，直接对应因果推断中的因果结构学习。
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
利用部分因果排序学习有向无环图
- 研究问题
- 当只能获得变量之间的部分因果排序，而非完整排序时，如何利用这些额外信息学习有向无环图，并应对高维计算和统计困难？
- 方法与思路
- 作者提出利用部分排序信息的一般图结构估计框架，并分别给出低维和高维问题的高效算法，通过数值研究展示表现。
- 材料陈述的贡献
- 摘要提出介于无排序信息与完整排序之间的图学习框架，并提供相应算法；数值研究被用于说明该框架的优势。
- 阅读关注点
- 核对部分排序如何表达和输入、图结构可识别的条件、低维与高维算法的差别，以及排序信息错误时的处理和影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核验；摘要未说明模型条件、计算复杂度和数值结果，不能认为部分排序总能确定边方向。
原文摘要
Directed acyclic graphs (DAGs) are commonly used to model causal relationships among random variables. In general, learning the DAG structure is both computationally and statistically challenging. Moreover, without additional information, the direction of edges may not be estimable from observational data. In contrast, given a complete causal ordering of the variables, the problem can be solved efficiently, even in high dimensions. In this paper, we consider the intermediate problem of learning DAGs when a partial causal ordering of variables is available. We propose a general estimation framework for leveraging the partial ordering and present efficient estimation algorithms for low- and high-dimensional problems. The advantages of the proposed framework are illustrated via numerical studies.