Local Discovery by Partitioning: Polynomial-Time Causal Discovery Around Exposure-Outcome Pairs
通过分割实现暴露—结果对的多项式时间局部因果发现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：摘要直接研究因果发现、有效调整集及平均治疗效应估计。
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…
通过分割实现暴露—结果对的多项式时间局部因果发现
- 研究问题
- 能否避免学习完整因果图的高复杂度，直接为特定暴露与结果寻找有效调整集，并在存在潜在混杂时支持后续效应估计？
- 方法与思路
- 作者提出基于约束的局部分割发现程序，在充分条件下返回有效调整集，并分析独立性检验次数及通过合成图验证渐近保证。
- 材料陈述的贡献
- 摘要称，独立性检验次数最坏为变量数的二次量级，模拟中调整集和效应估计表现改善，某基准上的运行速度至少提高一千三百倍。
- 阅读关注点
- 应核对潜在混杂下保证调整集有效的充分条件、独立性检验实现，以及检验次数复杂度与实际时间、样本需求之间的区别。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。摘要未给出充分条件和完整成本分析，特定基准的速度优势不能普遍推广。
原文摘要
Causal discovery is crucial for causal inference in observational studies, as it can enable the identification of valid adjustment sets (VAS) for unbiased effect estimation. However, global causal discovery is notoriously hard in the nonparametric setting, with exponential time and sample complexity in the worst case. To address this, we propose local discovery by partitioning (LDP): a local causal discovery method that is tailored for downstream inference tasks without requiring parametric and pretreatment assumptions. LDP is a constraint-based procedure that returns a VAS for an exposure-outcome pair under latent confounding, given sufficient conditions. The total number of independence tests performed is worst-case quadratic with respect to the cardinality of the variable set. Asymptotic theoretical guarantees are numerically validated on synthetic graphs. Adjustment sets from LDP yield less biased and more precise average treatment effect estimates than baseline discovery algorithms, with LDP outperforming on confounder recall, runtime, and test count for VAS discovery. Notably, LDP ran at least 1300x faster than baselines on a benchmark.