Learning high-dimensional directed acyclic graphs with latent and selection variables
存在潜在变量与选择变量时的高维有向无环图学习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。
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：摘要明确研究含潜在与选择变量的因果图学习及因果信息正确性。
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…
存在潜在变量与选择变量时的高维有向无环图学习
- 研究问题
- 当有向无环图允许存在任意多个潜在变量与选择变量时，如何在大规模图中有效学习条件独立关系及因果信息？
- 方法与思路
- 作者提出比 FCI 更快的 RFCI 算法，研究其输出的因果正确性、与 FCI 输出一致的图类别及稀疏高维一致性。
- 材料陈述的贡献
- 摘要称 RFCI 可能减少部分条件独立信息，但其输出的因果信息渐近正确；两算法在稀疏高维条件下一致，模拟表现相近。
- 阅读关注点
- 应核对稀疏性与高维增长条件、潜在和选择变量的处理、输出中可解释的因果信息，以及加速所损失的信息范围。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；一致性条件和速度数值未提供，渐近正确不等于有限样本能恢复完整因果图。
原文摘要
We consider the problem of learning causal information between random variables in directed acyclic graphs (DAGs) when allowing arbitrarily many latent and selection variables. The FCI (Fast Causal Inference) algorithm has been explicitly designed to infer conditional independence and causal information in such settings. However, FCI is computationally infeasible for large graphs. We therefore propose the new RFCI algorithm, which is much faster than FCI. In some situations the output of RFCI is slightly less informative, in particular with respect to conditional independence information. However, we prove that any causal information in the output of RFCI is correct in the asymptotic limit. We also define a class of graphs on which the outputs of FCI and RFCI are identical. We prove consistency of FCI and RFCI in sparse high-dimensional settings, and demonstrate in simulations that the estimation performances of the algorithms are very similar. All software is implemented in the R-package pcalg.