Causal Structural Learning Via Local Graphs
通过局部图学习因果结构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：摘要明确研究潜在混杂和选择偏差下的因果结构发现，而未讨论经济网络中的干扰效应。
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
通过局部图学习因果结构
- 研究问题
- 论文研究存在未观测混杂与选择偏差时，如何在稀疏高维环境中学习因果结构，并允许现实网络中常见的高连接度枢纽节点。
- 方法与思路
- 作者结合大型随机网络结构与线性结构方程模型，提出局部稀疏性概念，据此开发计算和样本复杂度较低的局部因果发现算法。
- 材料陈述的贡献
- 摘要称局部稀疏性允许枢纽节点，并支持存在潜变量与选择变量时的一致结构学习；数值实验报告其在多类随机网络中的表现。
- 阅读关注点
- 阅读全文时应核对局部稀疏性的定义、一致性所需条件、潜变量下可恢复的图信息，以及复杂度比较和枢纽网络实验的设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出完整条件和复杂度量级，实验中的领先表现不能直接推广到所有网络。
原文摘要
We consider the problem of learning causal structures in sparse high-dimensional settings that may be subject to the presence of (potentially many) unmeasured confounders, as well as selection bias. Based on the structure found in common families of large random networks and examining the representation of local structures in linear structural equation models (SEM), we propose a new local notion of sparsity for consistent structure learning in the presence of latent and selection variables, and develop a new version of the Fast Causal Inference (FCI) algorithm with reduced computational and sample complexity, which we refer to as local FCI (lFCI). The new notion of sparsity allows the presence of highly connected hub nodes, which are common in real-world networks, but problematic for existing methods. Our numerical experiments indicate that the lFCI algorithm achieves state-of-the-art performance across many classes of large random networks, and its performance is superior to that of existing methods for networks containing hub nodes.