A Meta-Learning Approach to Bayesian Causal Discovery
贝叶斯因果发现的元学习方法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：摘要直接研究因果结构的不确定性及贝叶斯因果图后验学习，对应因果推断中的因果发现。
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…
贝叶斯因果发现的元学习方法
- 研究问题
- 在因果结构不唯一且样本有限时，如何近似整个因果图后验分布，并保留边之间的相关性、节点置换等变性和抽样能力？
- 方法与思路
- 作者提出贝叶斯元学习模型，直接学习因果结构后验，使模型能够抽取因果图样本，并编码边相关性及节点置换等变性。
- 材料陈述的贡献
- 摘要称，该方法克服部分既有元学习方法难以表示完整后验及可靠抽样的局限，与已有贝叶斯因果发现方法比较展示了优势。
- 阅读关注点
- 应核对元训练任务及先验设定、后验近似的评价标准、边相关性和置换性质的实现，以及抽样结果的校准与跨任务泛化。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明识别假设、后验误差或比较数值，能够抽样不等于后验已准确校准。
原文摘要
Discovering a unique causal structure is difficult due to both inherent identifiability issues, and the consequences of finite data. As such, uncertainty over causal structures, such as those obtained from a Bayesian posterior, are often necessary for downstream tasks. Finding an accurate approximation to this posterior is challenging, due to the large number of possible causal graphs, as well as the difficulty in the subproblem of finding posteriors over the functional relationships of the causal edges. Recent works have used meta-learning to view the problem of estimating the maximum a-posteriori causal graph as supervised learning. Yet, these methods are limited when estimating the full posterior as they fail to encode key properties of the posterior, such as correlation between edges and permutation equivariance with respect to nodes. Further, these methods also cannot reliably sample from the posterior over causal structures. To address these limitations, we propose a Bayesian meta learning model that allows for sampling causal structures from the posterior and encodes these key properties. We compare our meta-Bayesian causal discovery against existing Bayesian causal discovery methods, demonstrating the advantages of directly learning a posterior over causal structure.