Effective Causal Discovery under Identifiable Heteroscedastic Noise Model
可识别异方差噪声模型下的有效因果发现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：摘要直接讨论异方差结构方程模型的因果可识别性与因果图学习。
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…
可识别异方差噪声模型下的有效因果发现
- 研究问题
- 当噪声方差在变量之间和观测之间均可能变化时，如何放松同方差限制，并从数据识别和学习因果有向无环图？
- 方法与思路
- 作者提出一般结构方程模型可识别的充分条件，构造考虑异方差的图学习目标，并设计两阶段迭代算法。
- 材料陈述的贡献
- 摘要称，在所提条件下证明一类模型的可识别性，并在合成和真实数据上展示相对于现有方法的经验表现改善。
- 阅读关注点
- 应核对充分条件的具体形式、异方差建模方式，以及两阶段优化如何实施、比较实验是否覆盖识别条件失效的情形。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审和期刊接收均未核实；摘要未列明充分条件，也未给出经验改善的具体幅度。
原文摘要
Capturing the underlying structural causal relations represented by Directed Acyclic Graphs (DAGs) has been a fundamental task in various AI disciplines. Causal DAG learning via the continuous optimization framework has recently achieved promising performance in terms of both accuracy and efficiency. However, most methods make strong assumptions of homoscedastic noise, i.e., exogenous noises have equal variances across variables, observations, or even both. The noises in real data usually violate both assumptions due to the biases introduced by different data collection processes. To address the issue of heteroscedastic noise, we introduce relaxed and implementable sufficient conditions, proving the identifiability of a general class of SEM subject to these conditions. Based on the identifiable general SEM, we propose a novel formulation for DAG learning that accounts for the variation in noise variance across variables and observations. We then propose an effective two-phase iterative DAG learning algorithm to address the increasing optimization difficulties and to learn a causal DAG from data with heteroscedastic variable noise under varying variance. We show significant empirical gains of the proposed approaches over state-of-the-art methods on both synthetic data and real data.