Differentiable Causal Discovery of Linear Non-Gaussian Acyclic Models Under Unmeasured Confounding
未观测混杂下线性非高斯无环模型的可微因果发现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：摘要明确以未观测混杂下的因果结构、因果方向和因果参数识别为研究目标，因此最直接归入因果推断。
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
未观测混杂下线性非高斯无环模型的可微因果发现
- 研究问题
- 存在未观测混杂时，能否从数据恢复线性非高斯系统的因果结构与方向，而不仅得到无法区分方向的等价类？
- 方法与思路
- 作者提出评分型 ABIC LiNGAM，假定误差服从多元广义正态分布，通过连续优化恢复包含潜在混杂关系的无环有向混合图。
- 材料陈述的贡献
- 摘要称，该方法扩展 LiNGAM 至未观测混杂情形，提供因果参数可识别性的理论保证，并通过模拟和真实数据展示效果。
- 阅读关注点
- 应核对误差分布假设如何支持方向识别、允许的混杂结构、评分准则与无环约束，以及优化结果是否具有全局保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出识别定理条件或模拟细节，不能认定任意潜在混杂均可处理。
原文摘要
We propose a novel score-based causal discovery method, named ABIC LiNGAM, which extends the linear non-Gaussian acyclic model (LiNGAM) framework to address the challenges of causal structure estimation in scenarios involving unmeasured confounders. By introducing the assumption that error terms follow a multivariate generalized normal distribution, our method leverages continuous optimization techniques to recover acyclic directed mixed graphs (ADMGs), including causal directions rather than just equivalence classes. We provide theoretical guarantees on the identifiability of causal parameters and demonstrate the effectiveness of our approach through extensive simulations and applications to real-world datasets.