Causality-Encoded Diffusion Models for Interventional Sampling and Edge Inference
用于干预抽样与边推断的因果编码扩散模型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：摘要直接研究因果图约束下的干预分布估计及有向因果边检验。
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
用于干预抽样与边推断的因果编码扩散模型
- 研究问题
- 如何让扩散模型遵循给定因果图，生成干预分布，并进一步通过重抽样检验有向边，而非仅拟合观察数据分布？
- 方法与思路
- 作者按已知 DAG 的分解训练条件扩散模型，在反向扩散中固定干预变量并传播影响，再按候选图生成零假设重复样本检验边。
- 材料陈述的贡献
- 摘要称，观察与干预分布估计的收敛率由最大局部维度决定，并给出边检验的渐近第一类错误控制及模拟和流式细胞数据应用。
- 阅读关注点
- 应核对已知图与候选图各自的作用、干预分布的识别条件、扩散近似误差，以及重抽样检验构造和局部维度的定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未说明完整因果假设，给定图下的干预生成不能自动证明该图正确。
原文摘要
Standard diffusion models are flexible estimators of complex distributions, but they do not encode causal structures and therefore do not by themselves support causal analysis. We propose a causality-encoded diffusion framework that incorporates a known directed acyclic graph by training conditional diffusion models consistent with the graph factorisation. The resulting sampler approximately recovers the observational distribution and enables interventional sampling by fixing intervened variables while propagating effects through the graph during reverse diffusion. Building on this interventional simulator, we develop a resampling-based test for directed edges that generates null replicates under a candidate graph. We establish convergence guarantees for observational and interventional distribution estimation, with rates governed by the maximum local dimension rather than the ambient dimension, and prove asymptotic control of type I error for the edge test. Simulations show improved interventional distribution recovery relative to baselines, with near-nominal size and favourable power in inference. An application to flow cytometry data demonstrates practical utility of the proposed method in assessing disputed signalling linkages.