Leveraging heterogeneity for identifiability: Bayesian order-based learning of multiple DAGs
利用异质性实现可识别性：多个有向无环图的贝叶斯排序学习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：摘要明确研究因果结构学习、因果排序与可识别性；虽有图模型，但未涉及给定网络细分所强调的干扰问题。
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
利用异质性实现可识别性：多个有向无环图的贝叶斯排序学习
- 研究问题
- 在异质数据环境下，如何联合学习多个有向无环图的因果排序，并利用环境差异改善排序估计与可识别性？
- 方法与思路
- 作者提出联合排序评分框架和高斯图模型的贝叶斯方法，再用随机到随机的提议邻域进行排序空间的后验抽样。
- 材料陈述的贡献
- 摘要称，最有利情形下因果排序可识别至两个排列，建立了高维理论性质，并通过模拟和抑郁症单核测序数据展示应用。
- 阅读关注点
- 应核对各环境之间共享和变化的结构、排序仅剩两个排列的条件、高维后验理论，以及抽样混合效率的论证与比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明关键结构条件，有限排序歧义不等于全部因果图唯一识别。
原文摘要
We propose a joint order-based scoring framework for causal structure learning of directed acyclic graph (DAG) models under heterogeneous data settings. We show that leveraging heterogeneity improves the accuracy of causal ordering estimation. In the most favorable case, the causal ordering is identifiable up to two permutations. Building on this framework, we propose an order-based Bayesian method for Gaussian DAG models and establish its theoretical properties in the high-dimensional regime. For posterior inference over the space of orderings, we introduce a random-to-random (R2R) proposal neighborhood for the Metropolis-Hastings algorithm, which is theoretically motivated and exhibits efficient mixing behavior. Simulation studies confirm the strong empirical performance of the proposed method, and an application to single-nucleus RNA sequencing data from major depressive disorder demonstrates practical utility.