Embracing Discrete Search: A Reasonable Approach to Causal Structure Learning
拥抱离散搜索：因果结构学习的一种可行方法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：摘要明确研究因果发现和因果图结构恢复，直接对应因果推断；未提供足够依据归入其他领域细分。
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…
拥抱离散搜索：因果结构学习的一种可行方法
- 研究问题
- 在线性模型的因果结构发现中，能否降低图搜索的计算成本，使离散搜索同时获得较好的评分和结构恢复表现？
- 方法与思路
- 作者提出 FLOP，将快速父节点选择与基于 Cholesky 分解的迭代评分更新结合，并采用初始化和迭代局部搜索。
- 材料陈述的贡献
- 摘要称，该算法减少运行时间，在所用基准上得到接近全局最优的评分，并在标准设定下取得较高结构恢复率。
- 阅读关注点
- 应核对从评分图到因果图所需的识别假设、初始化规则、比较算法，以及基准数据是否覆盖模型误设和困难情形。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未说明识别条件和基准细节，近最优评分不直接保证因果正确。
原文摘要
We present FLOP (Fast Learning of Order and Parents), a score-based causal discovery algorithm for linear models. It pairs fast parent selection with iterative Cholesky-based score updates, cutting run-times over prior algorithms. This makes it feasible to fully embrace discrete search, enabling iterated local search with principled order initialization to find graphs with scores at or close to the global optimum. The resulting structures are highly accurate across benchmarks, with near-perfect recovery in standard settings. This performance calls for revisiting discrete search over graphs as a reasonable approach to causal discovery.