Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal Discovery
相信你的梯度：面向因果发现的梯度式干预目标选择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：摘要研究通过实验干预识别因果结构及选择干预目标，直接对应因果推断。
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…
关注这篇论文的作者
相信你的梯度：面向因果发现的梯度式干预目标选择
- 研究问题
- 当观察数据不足以唯一识别因果结构且实验成本较高时，如何选择信息更充分的干预目标，以减少所需干预次数？
- 方法与思路
- 作者提出梯度式干预目标选择方法 GIT，利用基于梯度的因果发现框架中的梯度估计，为干预获取函数提供选择信号。
- 材料陈述的贡献
- 摘要称，模拟和真实数据实验中，GIT 的表现与竞争基准相当，并在低数据量情形下超过这些基准方法。
- 阅读关注点
- 应核对梯度信号与干预信息量的关系、允许的干预类型、因果结构假设，以及低数据量比较中的预算和评价指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明识别条件、实验规模及理论保证，低数据量优势不能直接推广。
原文摘要
Inferring causal structure from data is a challenging task of fundamental importance in science. Observational data are often insufficient to identify a system's causal structure uniquely. While conducting interventions (i.e., experiments) can improve the identifiability, such samples are usually challenging and expensive to obtain. Hence, experimental design approaches for causal discovery aim to minimize the number of interventions by estimating the most informative intervention target. In this work, we propose a novel Gradient-based Intervention Targeting method, abbreviated GIT, that 'trusts' the gradient estimator of a gradient-based causal discovery framework to provide signals for the intervention acquisition function. We provide extensive experiments in simulated and real-world datasets and demonstrate that GIT performs on par with competitive baselines, surpassing them in the low-data regime.