Differentiable Causal Discovery Under Latent Interventions
潜在干预下的可微因果发现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：摘要直接研究潜在干预数据中的因果图与因果关系发现。
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…
潜在干预下的可微因果发现
- 研究问题
- 当数据混合来自观测分布和多个干预分布，而样本来源、受干预变量及干预影响均未知时，能否从中恢复共享的因果关系？
- 方法与思路
- 作者结合神经网络与变分推断，在 Dirichlet 过程先验下建立干预结构因果模型的无限混合，并学习各混合成分共享的因果图。
- 材料陈述的贡献
- 摘要称所提方法及其半监督变体，在合成和真实数据实验中能够发现因果关系，拓展了需要已知样本干预归属的既有研究设置。
- 阅读关注点
- 应核对共享因果图和干预模型的设定、完全潜在干预下的识别条件，以及变分近似、半监督信息与因果关系恢复的评价方式。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或接收未核实；摘要未说明可识别性条件及实验数值，实验恢复结果不能替代一般识别证明。
原文摘要
Recent work has shown promising results in causal discovery by leveraging interventional data with gradient-based methods, even when the intervened variables are unknown. However, previous work assumes that the correspondence between samples and interventions is known, which is often unrealistic. We envision a scenario with an extensive dataset sampled from multiple intervention distributions and one observation distribution, but where we do not know which distribution originated each sample and how the intervention affected the system, \textit{i.e.}, interventions are entirely latent. We propose a method based on neural networks and variational inference that addresses this scenario by framing it as learning a shared causal graph among an infinite mixture (under a Dirichlet process prior) of intervention structural causal models. Experiments with synthetic and real data show that our approach and its semi-supervised variant are able to discover causal relations in this challenging scenario.