Functional Causal Discovery via Conditional Covariance Ordering
基于条件协方差排序的函数型因果发现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：摘要明确研究函数变量的因果排序与有向无环图识别，直接对应因果推断；脑连接应用本身不构成其他领域分类依据。
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…
基于条件协方差排序的函数型因果发现
- 研究问题
- 当因果图节点是随机函数时，能否减少对线性形式和特定分布的依赖，通过条件协方差信息识别有效的因果排序？
- 方法与思路
- 作者在函数型加性噪声模型下比较条件协方差算子的范数，提出排序充分条件，再结合混合回归与变量选择估计因果 DAG。
- 材料陈述的贡献
- 摘要称建立回归的最小二乘型理论及排序、稀疏回归和图识别的一致性，并提供离散观测算法、模拟和脑连接数据示例。
- 阅读关注点
- 核对协方差排序充分条件、混合回归的函数空间、变量选择要求，以及离散观测和函数重建如何影响一致性论证。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；识别仍依赖函数型加性噪声框架，摘要未完整说明条件与离散观测误差要求。
原文摘要
We study causal discovery where each node is a random function. Previous studies on this topic rely on structural assumptions, e.g., linearity or non-linearity, and distributional assumptions, e.g., Gaussianity or non-Gaussianity. In contrast, we make use of covariance operators to avoid these assumptions. Under functional additive noise models, we propose a new sufficient condition to identify a valid topological ordering based on comparing norms of conditional covariance operators. Taking advantage of this identifiability condition, we develop a new mixed regression model that subsumes linear and non-linear models. Together with variable selection, our procedure yields an estimation of the causal directed acyclic graph (DAG) for functional variables. In theory, we develop the least-squares-type theory of this regression model, and derive asymptotic consistency of order determination, sparse regression, as well as identifying the DAG. Computational algorithms based on discrete observations are provided. Applied to simulated data, our approach performs satisfactorily among existing approaches. A real data example of brain effective connectivity is also presented.