Nonlinear Causal Discovery for Grouped Data
分组数据的非线性因果发现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：摘要研究从观测数据识别变量组之间的因果顺序与因果图。
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…
分组数据的非线性因果发现
- 研究问题
- 当因果分析的基本单位是一组变量而非单个标量时，如何从观测数据学习组间因果顺序，并进一步确定相应的因果图？
- 方法与思路
- 作者将非线性加性噪声模型扩展到随机向量，先推断向量之间的因果顺序，再通过模型选择确定与该顺序一致的图结构。
- 材料陈述的贡献
- 摘要称，论文为向量情形的排序和图选择提出新方法，在模拟中表现良好，并应用于具有部分已知组间因果顺序的装配线数据。
- 阅读关注点
- 应核对向量加性噪声模型的识别条件、组内与组间关系的处理，以及排序错误如何影响图选择和部分已知顺序的使用方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明隐藏混杂、噪声依赖及模型误设的处理，不能据模拟认定方向普遍可识别。
原文摘要
Inferring cause-effect relationships from observational data has gained significant attention in recent years, but most methods are limited to scalar random variables. In many important domains, including neuroscience, psychology, social science, and industrial manufacturing, the causal units of interest are groups of variables rather than individual scalar measurements. Motivated by these applications, we extend nonlinear additive noise models to handle random vectors, establishing a two-step approach for causal graph learning: First, infer the causal order among random vectors. Second, perform model selection to identify the best graph consistent with this order. We introduce effective and novel solutions for both steps in the vector case, demonstrating strong performance in simulations. Finally, we apply our method to real-world assembly line data with partial knowledge of causal ordering among variable groups.