A Meta-Reinforcement Learning Algorithm for Causal Discovery
用于因果发现的元强化学习算法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：摘要通过主动干预学习显式因果结构，直接对应因果推断中的因果发现问题；图结构本身不足以支持网络与干扰分类。
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…
用于因果发现的元强化学习算法
- 研究问题
- 如何学习有助于揭示因果结构的干预策略，使算法既能构造显式因果图，也能适应训练阶段未见过的因果环境？
- 方法与思路
- 作者提出元强化学习算法，通过学习选择和实施干预来估计因果图，并用跨环境实验与消融研究评估干预学习的作用。
- 材料陈述的贡献
- 摘要称，算法在未见过的因果结构环境中仍能得到较好的图估计，消融结果支持学习干预有助于改善因果发现表现。
- 阅读关注点
- 应核对训练与测试环境如何划分、允许实施哪些干预，以及比较方法是否拥有相同干预预算、观测信息和计算资源。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已通过同行评审或获期刊接收；摘要未说明识别假设、评价指标及跨环境表现的适用范围。
原文摘要
Causal discovery is a major task with the utmost importance for machine learning since causal structures can enable models to go beyond pure correlation-based inference and significantly boost their performance. However, finding causal structures from data poses a significant challenge both in computational effort and accuracy, let alone its impossibility without interventions in general. In this paper, we develop a meta-reinforcement learning algorithm that performs causal discovery by learning to perform interventions such that it can construct an explicit causal graph. Apart from being useful for possible downstream applications, the estimated causal graph also provides an explanation for the data-generating process. In this article, we show that our algorithm estimates a good graph compared to the SOTA approaches, even in environments whose underlying causal structure is previously unseen. Further, we make an ablation study that shows how learning interventions contribute to the overall performance of our approach. We conclude that interventions indeed help boost the performance, efficiently yielding an accurate estimate of the causal structure of a possibly unseen environment.