Shapley-PC: Constraint-based Causal Structure Learning with a Shapley Inspired Framework
Shapley-PC：受 Shapley 值启发的约束型因果结构学习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：摘要明确研究基于条件独立检验的因果发现与因果结构学习。
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…
关注这篇论文的作者
Shapley-PC：受 Shapley 值启发的约束型因果结构学习
- 研究问题
- 利用条件独立检验学习因果结构时，如何判断哪些变量对观测到的条件独立或依赖负责，并据此改进 PC 类算法的结构判断？
- 方法与思路
- 作者提出 Shapley-PC，在可能的条件变量集合上使用 Shapley 值分配贡献，改进约束型因果结构学习，并进行理论及模拟分析。
- 材料陈述的贡献
- 摘要称证明算法的可靠性、完备性与渐近一致性，模拟研究显示其优于既有 PC 版本，但具体条件和比较指标未在摘要列出。
- 阅读关注点
- 核对 Shapley 值的构造、条件集合选择和计算复杂度，检查理论结论所需的因果图及检验假设，并核对模拟的评价标准。
- 阅读边界
- 这是预印本，同行评审及接收状态未核实。摘要未说明潜变量处理和识别假设；从观测数据学习结构并不自动保证任意因果效应可识别。
原文摘要
Causal Structure Learning (CSL), also referred to as causal discovery, amounts to extracting causal relations among variables in data. CSL enables the estimation of causal effects from observational data alone, avoiding the need to perform real life experiments. Constraint-based CSL leverages conditional independence tests to perform causal discovery. We propose Shapley-PC, a novel method to improve constraint-based CSL algorithms by using Shapley values over the possible conditioning sets, to decide which variables are responsible for the observed conditional (in)dependences. We prove soundness, completeness and asymptotic consistency of Shapley-PC and run a simulation study showing that our proposed algorithm is superior to existing versions of PC.