Estimation of a Causal Directed Acyclic Graph Process using Non-Gaussianity
利用非高斯性估计因果有向无环图过程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：摘要明确讨论因果依赖发现及 VAR 中的即时、滞后关系，对应因果推断与时间序列方向。
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…
利用非高斯性估计因果有向无环图过程
- 研究问题
- 在同时包含即时和滞后关系的因果图学习中，能否减少 VAR-LiNGAM 所需参数，并用一张图解释因果关系？
- 方法与思路
- 作者提出 CGP-LiNGAM，将非高斯因果图学习与图信号处理结合，以单一因果图组织关系并降低模型参数数量。
- 材料陈述的贡献
- 摘要称新模型相较 VAR-LiNGAM 显著减少参数，并只需解释一张因果图；摘要没有给出估计精度或计算速度的结果。
- 阅读关注点
- 核对单图如何表达即时与滞后依赖、参数减少依赖哪些约束，以及非高斯性、无环性与因果图可识别性之间的关系。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明完整识别条件、估计算法和实证验证结果。
原文摘要
Numerous approaches have been proposed to discover causal dependencies in machine learning and data mining; among them, the state-of-the-art VAR-LiNGAM (short for Vector Auto-Regressive Linear Non-Gaussian Acyclic Model) is a desirable approach to reveal both the instantaneous and time-lagged relationships. However, all the obtained VAR matrices need to be analyzed to infer the final causal graph, leading to a rise in the number of parameters. To address this issue, we propose the CGP-LiNGAM (short for Causal Graph Process-LiNGAM), which has significantly fewer model parameters and deals with only one causal graph for interpreting the causal relations by exploiting Graph Signal Processing (GSP).