Causal Network Discovery from Interventional Count Data with Latent Linear DAGs
潜在线性 DAG 下干预计数数据的因果网络发现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：摘要直接以干预数据识别潜在因果 DAG 为核心；基因网络应用未提供经济网络形成或跨主体处理干扰的直接依据。
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
潜在线性 DAG 下干预计数数据的因果网络发现
- 研究问题
- 面对含测量误差的干预计数数据，如何分离潜在因果结构与观测计数，并利用干预设计识别和估计潜在因果图？
- 方法与思路
- 作者将潜在线性高斯 DAG 与泊松测量误差结合，在均值移位干预设计下研究识别，并基于稀疏逆矩阵估计构建发现程序。
- 材料陈述的贡献
- 摘要称，本文建立潜在 DAG 的总体识别结果、估计误差及有限样本因果发现保证，并以模拟和 Perturb-seq 数据展示实用性。
- 阅读关注点
- 应核对泊松测量层与潜变量的连接、均值移位干预要求、稀疏逆矩阵到因果图的恢复步骤，以及误差界所需条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未给出干预覆盖要求、识别条件和误差界，也未报告应用数值。
原文摘要
The increasing availability of interventional data offers new opportunities for causal discovery, with gene perturbation studies providing a prominent example. Such data are typically count-valued and subject to substantial measurement error arising from technical variability and latent state heterogeneity. Motivated by these challenges, we study identification and estimation in latent linear structural causal models for interventional count data. We propose a latent linear Gaussian directed acyclic graph (DAG) model with Poisson measurement error that explicitly separates the latent causal structure from the observed counts. Under a mean-shift intervention design, we establish population-level identifiability of the latent causal DAG. Building on these identification results, we develop an estimation procedure based on sparse inverse matrix estimation and provide theoretical guarantees on estimation error and finite-sample causal discovery. Simulation studies and applications to Perturb-seq data demonstrate the practical effectiveness of the proposed method.