Unsupervised Pairwise Causal Discovery on Heterogeneous Data using Mutual Information Measures
利用互信息度量对异质数据进行无监督成对因果发现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：摘要明确研究无监督的双变量因果关系发现及其跨变量类型表现，直接关联因果学习，但未提供经济学场景或处理效应估计。
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…
关注这篇论文的作者
利用互信息度量对异质数据进行无监督成对因果发现
- 研究问题
- 在仅包含两个变量且变量类型不同的未知环境中，如何进行可泛化的无监督因果发现，并重新审视依赖监督学习的基准结果？
- 方法与思路
- 作者采用成对变量的简化设定，以稳健互信息度量开展无监督分析，同时考察不同变量类型对因果发现表现的影响。
- 材料陈述的贡献
- 摘要称，论文提供一组新的标准基准结果，用于指导未知环境下的因果发现，并质疑现有监督学习基准对探索任务的适用性。
- 阅读关注点
- 应核对从互信息判定因果方向的具体规则与识别条件，以及稳健性定义、变量类型划分和作者所称无偏基准的评价依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核验；摘要未说明方向识别假设、混杂处理或基准构造，不能仅凭互信息确认因果方向。
原文摘要
A fundamental task in science is to determine the underlying causal relations because it is the knowledge of this functional structure what leads to the correct interpretation of an effect given the apparent associations in the observed data. In this sense, Causal Discovery is a technique that tackles this challenge by analyzing the statistical properties of the constituent variables. In this work, we target the generalizability of the discovery method by following a reductionist approach that only involves two variables, i.e., the pairwise or bi-variate setting. We question the current (possibly misleading) baseline results on the basis that they were obtained through supervised learning, which is arguably contrary to this genuinely exploratory endeavor. In consequence, we approach this problem in an unsupervised way, using robust Mutual Information measures, and observing the impact of the different variable types, which is oftentimes ignored in the design of solutions. Thus, we provide a novel set of standard unbiased results that can serve as a reference to guide future discovery tasks in completely unknown environments.