Causal Discovery with Score Matching on Additive Models with Arbitrary Noise
任意噪声加性模型中基于分数匹配的因果发现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：摘要明确研究因果图拓扑顺序和边方向恢复，并讨论结构可识别性与噪声假设，直接对应因果发现与因果推断。
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…
任意噪声加性模型中基于分数匹配的因果发现
- 研究问题
- 当非线性加性模型的噪声不满足高斯假设时，因果发现为何可能颠倒边方向，如何在更一般噪声分布下推断变量拓扑顺序？
- 方法与思路
- 作者分析高斯噪声假设被违反时的推断风险，并提出一般噪声非线性加性模型下的拓扑排序方法，形成 NoGAM 算法。
- 材料陈述的贡献
- 摘要称 NoGAM 放宽了常见高斯噪声限制，并在合成数据上取得领先表现；所需假设较少是作者陈述，具体集合未列出。
- 阅读关注点
- 应核对分数匹配如何用于排序、允许的噪声范围、结构可识别性条件，以及边方向恢复的评价指标与比较算法设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；一般噪声表述不意味着无需识别假设，摘要也未提供真实数据验证。
原文摘要
Causal discovery methods are intrinsically constrained by the set of assumptions needed to ensure structure identifiability. Moreover additional restrictions are often imposed in order to simplify the inference task: this is the case for the Gaussian noise assumption on additive non-linear models, which is common to many causal discovery approaches. In this paper we show the shortcomings of inference under this hypothesis, analyzing the risk of edge inversion under violation of Gaussianity of the noise terms. Then, we propose a novel method for inferring the topological ordering of the variables in the causal graph, from data generated according to an additive non-linear model with a generic noise distribution. This leads to NoGAM (Not only Gaussian Additive noise Models), a causal discovery algorithm with a minimal set of assumptions and state of the art performance, experimentally benchmarked on synthetic data.