Learning Causal Graphs via Monotone Triangular Transport Maps
通过单调三角输运映射学习因果图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：摘要围绕条件独立检验、潜变量和因果图可识别性展开，所讨论的最优输运服务于因果发现。
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…
通过单调三角输运映射学习因果图
- 研究问题
- 如何利用最优输运构造因果发现方法，在较少限制噪声分布的情况下识别图的等价类，并在附加条件下唯一恢复因果图？
- 方法与思路
- 作者以单调下三角参数化输运映射构造条件独立检验，建立基于约束的发现算法，并进一步利用输运映射定义图评分。
- 材料陈述的贡献
- 摘要称约束方法可处理潜变量并识别到 Markov 等价类；评分方法在额外可识别性与结构假设下可唯一恢复因果图。
- 阅读关注点
- 应分别核对条件独立检验的一致性、潜变量情形的输出对象，以及唯一恢复因果图时对加性噪声或后非线性模型的要求。
- 阅读边界
- 所给版本为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未完整列出图识别条件，实验比较也未提供具体结果。
原文摘要
We study the problem of causal structure learning from data using optimal transport (OT). Specifically, we first provide a constraint-based method which builds upon lower-triangular monotone parametric transport maps to design conditional independence tests which are agnostic to the noise distribution. We provide an algorithm for causal discovery up to Markov Equivalence with no assumptions on the structural equations/noise distributions, which allows for settings with latent variables. Our approach also extends to score-based causal discovery by providing a novel means for defining scores. This allows us to uniquely recover the causal graph under additional identifiability and structural assumptions, such as additive noise or post-nonlinear models. We provide experimental results to compare the proposed approach with the state of the art on both synthetic and real-world datasets.