Causal Discovery in Heterogeneous Environments Under the Sparse Mechanism Shift Hypothesis
稀疏机制变化假说下异质环境中的因果发现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：摘要以异质环境中的因果结构识别和因果机制变化为核心，因此归入因果推断；环境分布变化未明确构成时间序列结构变化。
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…
稀疏机制变化假说下异质环境中的因果发现
- 研究问题
- 当不同环境的数据分布发生变化时，能否利用少量因果条件分布发生改变这一结构，从异质数据中识别完整因果结构？
- 方法与思路
- 作者基于稀疏机制变化假说提出机制变化评分 MSS，形成可采用不同经验估计器的评分式因果发现方法，并作理论和实验分析。
- 材料陈述的贡献
- 摘要称，在稀疏机制变化假说成立时，MSS 能以高概率识别完整因果结构，同时结合非参数方法与对稀疏变化的显式利用。
- 阅读关注点
- 应核对稀疏变化的定义、环境数量与变化模式的要求、完整结构识别所需的其余假设，以及不同经验评分估计器的表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未完整列明识别定理条件，不能理解为任意跨环境变化下均可识别。
原文摘要
Machine learning approaches commonly rely on the assumption of independent and identically distributed (i.i.d.) data. In reality, however, this assumption is almost always violated due to distribution shifts between environments. Although valuable learning signals can be provided by heterogeneous data from changing distributions, it is also known that learning under arbitrary (adversarial) changes is impossible. Causality provides a useful framework for modeling distribution shifts, since causal models encode both observational and interventional distributions. In this work, we explore the sparse mechanism shift hypothesis, which posits that distribution shifts occur due to a small number of changing causal conditionals. Motivated by this idea, we apply it to learning causal structure from heterogeneous environments, where i.i.d. data only allows for learning an equivalence class of graphs without restrictive assumptions. We propose the Mechanism Shift Score (MSS), a score-based approach amenable to various empirical estimators, which provably identifies the entire causal structure with high probability if the sparse mechanism shift hypothesis holds. Empirically, we verify behavior predicted by the theory and compare multiple estimators and score functions to identify the best approaches in practice. Compared to other methods, we show how MSS bridges a gap by both being nonparametric as well as explicitly leveraging sparse changes.