Causal Reasoning in the Presence of Latent Confounders via Neural ADMG Learning
通过神经 ADMG 学习进行潜在混杂下的因果推理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：摘要直接讨论潜在混杂、因果图学习、可识别性与处理效应估计，其核心属于因果推断。
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…
通过神经 ADMG 学习进行潜在混杂下的因果推理
- 研究问题
- 存在潜在混杂时，如何从观察性数据学习非线性因果结构，并同时估计变量之间的函数关系与处理效应？
- 方法与思路
- 作者在无弓 ADMG 与非线性加性噪声模型下研究潜在混杂的可识别性，继而提出基于自回归流的神经模型及梯度学习方法。
- 材料陈述的贡献
- 摘要称框架可联合学习潜在混杂下的复杂因果结构和函数关系，并在合成及真实数据实验中展示相对相关基准的竞争表现。
- 阅读关注点
- 应核对无弓限制、加性噪声及其他识别条件，区分混杂存在、图结构与处理效应的识别，并检查优化和实验设计。
- 阅读边界
- 所给为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出完整识别定理，不能推断任意潜在混杂结构均可恢复。
原文摘要
Latent confounding has been a long-standing obstacle for causal reasoning from observational data. One popular approach is to model the data using acyclic directed mixed graphs (ADMGs), which describe ancestral relations between variables using directed and bidirected edges. However, existing methods using ADMGs are based on either linear functional assumptions or a discrete search that is complicated to use and lacks computational tractability for large datasets. In this work, we further extend the existing body of work and develop a novel gradient-based approach to learning an ADMG with non-linear functional relations from observational data. We first show that the presence of latent confounding is identifiable under the assumptions of bow-free ADMGs with non-linear additive noise models. With this insight, we propose a novel neural causal model based on autoregressive flows for ADMG learning. This not only enables us to determine complex causal structural relationships behind the data in the presence of latent confounding, but also estimate their functional relationships (hence treatment effects) simultaneously. We further validate our approach via experiments on both synthetic and real-world datasets, and demonstrate the competitive performance against relevant baselines.