Robust Causal Structure Learning with Some Hidden Variables
存在部分隐藏变量时的稳健因果结构学习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：摘要明确研究隐藏变量下的因果结构恢复与总因果效应估计。
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…
存在部分隐藏变量时的稳健因果结构学习
- 研究问题
- 当观测变量间的有向无环图稀疏，且少数隐藏变量直接影响许多观测变量时，如何恢复因果图的马尔可夫等价类？
- 方法与思路
- 作者基于低秩加稀疏框架采用两阶段方法，先去除隐藏变量影响，再假定无剩余隐藏变量，估计观测因果图的等价类。
- 材料陈述的贡献
- 摘要称该方法在某些高维情形下一致，并在图结构恢复和总因果效应估计上，相较所比较的先进方法表现良好。
- 阅读关注点
- 阅读全文时应核对低秩与稀疏结构的可区分条件、隐藏影响去除是否充分，以及等价类恢复与总效应识别的关系。
- 阅读边界
- 仅据所给 Crossref 摘要，具体高维条件和比较结果未说明；恢复马尔可夫等价类不能直接解释为识别所有因果方向。
原文摘要
Summary We introduce a new method to estimate the Markov equivalence class of a directed acyclic graph (DAG) in the presence of hidden variables, in settings where the underlying DAG among the observed variables is sparse, and there are a few hidden variables that have a direct effect on many of the observed variables. Building on the so-called low rank plus sparse framework, we suggest a two-stage approach which first removes the effect of the hidden variables and then estimates the Markov equivalence class of the underlying DAG under the assumption that there are no remaining hidden variables. This approach is consistent in certain high dimensional regimes and performs favourably when compared with the state of the art, in terms of both graphical structure recovery and total causal effect estimation.