Heteroscedastic Causal Structure Learning
异方差因果结构学习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：摘要直接研究观察性数据中的因果顺序和因果有向无环图识别。
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
异方差因果结构学习
- 研究问题
- 在允许噪声异方差的观察性数据模型中，能否以可扩展算法恢复因果顺序和有向无环图，而无需等方差限制？
- 方法与思路
- 作者在高斯噪声设定下利用因果机制的正态性恢复有效因果顺序，再通过一系列条件独立检验构建 HOST 结构学习算法。
- 材料陈述的贡献
- 摘要称所提算法在样本量和维度上具有多项式复杂度，并在模拟及真实数据中展示因果顺序和图结构学习的竞争力。
- 阅读关注点
- 应核对异方差机制、高斯性及图识别条件，尤其是有效顺序何时唯一确定图，以及条件独立检验误差如何影响恢复。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未给出完整识别条件，观察数据中的图恢复结论不能推广至任意异方差模型。
原文摘要
Heretofore, learning the directed acyclic graphs (DAGs) that encode the cause-effect relationships embedded in observational data is a computationally challenging problem. A recent trend of studies has shown that it is possible to recover the DAGs with polynomial time complexity under the equal variances assumption. However, this prohibits the heteroscedasticity of the noise, which allows for more flexible modeling capabilities, but at the same time is substantially more challenging to handle. In this study, we tackle the heteroscedastic causal structure learning problem under Gaussian noises. By exploiting the normality of the causal mechanisms, we can recover a valid causal ordering, which can uniquely identify the causal DAG using a series of conditional independence tests. The result is HOST (Heteroscedastic causal STructure learning), a simple yet effective causal structure learning algorithm that scales polynomially in both sample size and dimensionality. In addition, via extensive empirical evaluations on a wide range of both controlled and real datasets, we show that the proposed HOST method is competitive with state-of-the-art approaches in both the causal order learning and structure learning problems.