Stable Differentiable Causal Discovery
稳定的可微分因果发现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：摘要以观察性和干预数据中的因果图结构发现为研究对象。
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…
稳定的可微分因果发现
- 研究问题
- 将有向无环图搜索转化为连续优化时，如何缓解现有可微分因果发现方法的数值不稳定，并支持更大规模的变量系统？
- 方法与思路
- 作者提出 SDCD，采用替代无环性约束及面向稀疏因果图的训练程序，并在观察性和干预数据、不同规模设置中评估。
- 材料陈述的贡献
- 摘要称，论文证明方法的稳定性与正确性，实验显示其收敛速度和准确性优于比较方法，并可扩展到数千个变量。
- 阅读关注点
- 应核对无环性约束的性质、稳定性与正确性各自的定义和证明条件，以及稀疏设定、因果识别条件和大规模实验基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明因果识别假设和具体实验结果，所称优势不能外推至任意数据。
原文摘要
Inferring causal relationships as directed acyclic graphs (DAGs) is an important but challenging problem. Differentiable Causal Discovery (DCD) is a promising approach to this problem, framing the search as a continuous optimization. But existing DCD methods are numerically unstable, with poor performance beyond tens of variables. In this paper, we propose Stable Differentiable Causal Discovery (SDCD), a new method that improves previous DCD methods in two ways: (1) It employs an alternative constraint for acyclicity; this constraint is more stable, both theoretically and empirically, and fast to compute. (2) It uses a training procedure tailored for sparse causal graphs, which are common in real-world scenarios. We first derive SDCD and prove its stability and correctness. We then evaluate it with both observational and interventional data and on both small-scale and large-scale settings. We find that SDCD outperforms existing methods in both convergence speed and accuracy and can scale to thousands of variables. We provide code at https://github.com/azizilab/sdcd.