Constraint-based difference graph discovery in a linear setting
线性设定下基于约束的差异图发现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：摘要明确研究结构因果模型、因果图差异及基于跨环境约束的因果发现，而非个体网络干扰。
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
线性设定下基于约束的差异图发现
- 研究问题
- 如何利用两个环境中回归系数的相等性检验，识别因果关系发生变化的部分，并用图形条件解释系数何时保持不变？
- 方法与思路
- 作者在线性结构因果模型中提出 diff-separation 与相应忠实性假设，再构建使用回归系数相等性检验的 PC 类算法 LDiffPC。
- 材料陈述的贡献
- 摘要称系数不变性的图形条件超出通常的 d-separation，并据此提供从多环境数据恢复因果差异图的方法。
- 阅读关注点
- 应核对差异图的定义、diff-separation 与忠实性假设的关系，以及潜在混杂、有限样本检验和图恢复保证的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未详述恢复保证和检验条件，也未展示有限样本性能数值。
原文摘要
Comparing causal relationships across populations is essential in many scientific domains. This paper studies the problem of inferring a difference graph between two environments and proposes a causal discovery method for linear structural causal models based on equality tests of regression coefficients. We show that invariance of regression coefficients is governed by graphical conditions that go beyond standard d-separation. Therefore, we introduce diff-separation, a graphical criterion that characterizes when a conditioning set blocks all paths capable of inducing differences in regression coefficients across environments. Building on this criterion, we introduce a corresponding diff-faithfulness assumption, linking graphical diff-separation statements to equality constraints on regression coefficients. Finally, we propose LDiffPC, a PC-style algorithm that uses equality tests of regression coefficients to recover the differences from multi-environment data.