The interventional Bayesian Gaussian equivalent score for Bayesian causal inference with unknown soft interventions
未知软干预下贝叶斯因果推断的干预型高斯等价评分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：摘要直接讨论因果图学习、观察与干预数据整合，以及干预效应的贝叶斯推断。
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…
关注这篇论文的作者
未知软干预下贝叶斯因果推断的干预型高斯等价评分
- 研究问题
- 当研究数据混合观察条件与软干预条件，且干预目标和作用可能未知时，如何推断因果图与干预效应并刻画不确定性？
- 方法与思路
- 作者定义用于混合观察与干预数据的干预型 BGe 评分，以贝叶斯方式推断有向无环图，并由图样本导出干预效应后验。
- 材料陈述的贡献
- 摘要称方法能够同时刻画图结构和参数的不确定性，提供模拟及数据应用比较，并声明复现代码已公开。
- 阅读关注点
- 应核对软干预的模型设定、未知目标与作用如何处理，以及图结构可识别范围、先验敏感性和后验计算的可靠性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列识别条件或比较结果，代码可用性与复现性也未经核验。
原文摘要
Describing the causal relations governing a system is a fundamental task in many scientific fields, ideally addressed by experimental studies. However, obtaining data under intervention scenarios may not always be feasible, while discovering causal relations from purely observational data is notoriously challenging. In certain settings, such as genomics, we may have data from heterogeneous study conditions, with soft (partial) interventions only pertaining to a subset of the study variables, whose effects and targets are possibly unknown. Combining data from experimental and observational studies offers the opportunity to leverage both domains and improve on the identifiability of causal structures. To this end, we define the interventional BGe score for a mixture of observational and interventional data, where the targets and effects of intervention may be unknown. To demonstrate the approach we compare its performance to other state-of-the-art algorithms, both in simulations and data analysis applications. Prerogative of our method is that it takes a Bayesian perspective leading to a full characterisation of the posterior distribution of the DAG structures. Given a sample of DAGs one can also automatically derive full posterior distributions of the intervention effects. Consequently the method effectively captures the uncertainty both in the structure and the parameter estimates. Codes to reproduce the simulations and analyses are publicly available at github.com/jackkuipers/iBGe