Differentiable Invariant Causal Discovery
可微分的不变因果发现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：摘要直接研究利用多环境观察数据识别因果结构和因果方向。
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…
可微分的不变因果发现
- 研究问题
- 当不同环境共享结构关系但加性噪声分布可变时，如何利用多环境观察数据识别因果结构，减少伪边与方向错误？
- 方法与思路
- 作者提出可微分不变因果发现框架，约束目标结构方程模型在各环境中保持最优，以区分不变因果关系与环境相关性。
- 材料陈述的贡献
- 摘要称在足够环境和所述条件下给出可识别性保证，并报告实验中结构汉明距离指标相对已有方法最多改善36%。
- 阅读关注点
- 应核对环境变化与结构不变的假设、跨环境最优约束、所需环境数量，以及36%改善的基准、数据和统计波动。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未核实；摘要未列可识别条件，性能改善不能泛化，代码仅表述为将开源。
原文摘要
Learning causal structure from observational data is a fundamental challenge in machine learning. However, the majority of commonly used differentiable causal discovery methods are non-identifiable, turning this problem into a continuous optimization task prone to data biases. In many real-life situations, data is collected from different environments, in which the functional relations remain consistent across environments, while the distribution of additive noises may vary. This paper proposes Differentiable Invariant Causal Discovery (DICD), utilizing the multi-environment information based on a differentiable framework to avoid learning spurious edges and wrong causal directions. Specifically, DICD aims to discover the environment-invariant causation while removing the environment-dependent correlation. We further formulate the constraint that enforces the target structure equation model to maintain optimal across the environments. Theoretical guarantees for the identifiability of proposed DICD are provided under mild conditions with enough environments. Extensive experiments on synthetic and real-world datasets verify that DICD outperforms state-of-the-art causal discovery methods up to 36% in SHD. Our code will be open-sourced.