Causal Discovery in Mixtures of Populations
混合总体中的因果发现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：摘要的核心是潜在全局混杂下的因果结构识别与统计检验，直接对应因果推断，不足以进一步指定经济应用方向。
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…
混合总体中的因果发现
- 研究问题
- 当不同总体或环境形成潜在来源，并对所有观测变量造成共同混杂时，能否在不限制结构方程和噪声函数形式下识别因果图？
- 方法与思路
- 作者把变量聚合为足够大的矩矩阵，以矩阵秩揭示因果图性质，并在潜在类别数量相对较少的条件下研究识别和秩检验。
- 材料陈述的贡献
- 摘要称，当潜在类别数相对于图规模与稀疏程度较小时，可识别全局混杂下的因果结构，并提供矩矩阵秩的统计检验。
- 阅读关注点
- 应核对类别数、图规模和稀疏性之间的具体限制、可识别到何种等价类，以及矩阵构造和秩检验的统计条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未给出完整识别条件，任意函数形式不意味着任意混合结构可识别。
原文摘要
Causal discovery aims to learn causal structures up to certain symmetries. Diverse populations or changing environments give rise to heterogeneous data in the following sense: each population/environment is a ``source'' which idiosyncratically determines the forms of causal effects. From this perspective, the source is a latent common cause for every observed variable. While some methods for causal discovery can work around latent confounding in special cases, a global confounder poses a significant challenge. The only known ways to deal with latent global confounding involve making assumptions that limit structural equations and/or noise functions. We demonstrate that globally confounded causal structures can still be identified with arbitrary structural equations and noise functions, so long as the number of latent classes remains small relative to the size and sparsity of the underlying DAG. The approach relies on agglomerating variables into large-enough matrices of moments, whose ranks directly reveal graphical properties of the causal structure. We also provide a statistical test to test the rank of these matrices.