SCMD: A Kernel-Based Distance for Structural Causal Models to Quantify Transferability Across Environments
SCMD：量化跨环境可迁移性的结构因果模型核距离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：摘要以结构因果模型及干预效应比较为核心，直接涉及因果推断与迁移问题。
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
SCMD：量化跨环境可迁移性的结构因果模型核距离
- 研究问题
- 如何度量不同环境中结构因果模型的差异，同时反映分布变化与干预效应变化，以评估因果迁移和泛化的难度？
- 方法与思路
- 作者将非参数核分布距离与成对干预比较结合，构造结构因果模型距离，并提出具有理论保证的一致估计方法。
- 材料陈述的贡献
- 摘要称，SCMD 是满足度量性质的距离，具有一致估计量，合成及真实数据实验显示它能够捕捉结构和分布差异。
- 阅读关注点
- 应核对度量定义所在的模型空间、核函数及干预可识别条件、一致性保证，以及距离与实际迁移误差之间是否存在理论联系。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；所给摘要末尾截断，未完整说明度量和估计条件，也不足以保证实际跨环境泛化。
原文摘要
Out-of-distribution generalization is key to building models that remain reliable across diverse environments. Recent causality-based methods address this challenge by learning invariant causal relationships in the underlying data-generating process. Yet, measuring how causal structures differ across environments, and the resulting generalization difficulty, remains difficult. To tackle this challenge, we propose the Structural Causal Model Distance (SCMD), a principled metric that quantifies discrepancies between two SCMs by combining (i) kernel-based distances for nonparametric comparison of distributions and (ii) pairwise interventional comparisons to capture differences in causal effects. We show that SCMD is a proper metric and provide a consistent estimator with theoretical guarantees. Experiments on synthetic and real-world datasets demonstrate that SCMD effectively captures both structural and distributional differences between SCMs, providing a practical tool to assess causal transferability and generalization difficulty. Given two joint distributions P 1 (V j ) and P 2 (V j ), the Maximum Mean Discrepancy (MMD, Gretton et al. which defines a metric between distributions for characteristic kernels (Fukumizu et al., 2007). Kernel conditional mean embeddings (Park and Muandet, 2020) represent conditional expectation operators in an RKHS H Vj , which allows us to define the Maximum Conditional Mean Discrepancy between two