Iterative Causal Discovery in the Possible Presence of Latent Confounders and Selection Bias
存在潜在混杂与选择偏差时的迭代因果发现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：摘要直接研究潜在混杂和选择偏差下的因果图恢复，属于因果推断。
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…
存在潜在混杂与选择偏差时的迭代因果发现
- 研究问题
- 在可能存在潜在混杂和选择偏差时，如何恢复因果图的等价类，并降低条件独立检验数量及有限样本误差？
- 方法与思路
- 作者提出 ICD，在因果马尔可夫性与忠实性假设下，从完全图出发，将条件集大小与图上距离联系起来逐轮细化。
- 材料陈述的贡献
- 摘要称算法具有可靠性、完备性和随时输出有效关系的性质；实验中较所列替代算法使用更少检验并获得更准确的图。
- 阅读关注点
- 应核对潜在混杂与选择偏差的表示方式、逐轮正确性及完备性的证明，并检查条件独立检验误差如何影响有限样本表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供证明细节、实验规模及数值，不能判断优势的适用范围。
原文摘要
We present a sound and complete algorithm, called iterative causal discovery (ICD), for recovering causal graphs in the presence of latent confounders and selection bias. ICD relies on the causal Markov and faithfulness assumptions and recovers the equivalence class of the underlying causal graph. It starts with a complete graph, and consists of a single iterative stage that gradually refines this graph by identifying conditional independence (CI) between connected nodes. Independence and causal relations entailed after any iteration are correct, rendering ICD anytime. Essentially, we tie the size of the CI conditioning set to its distance on the graph from the tested nodes, and increase this value in the successive iteration. Thus, each iteration refines a graph that was recovered by previous iterations having smaller conditioning sets -- a higher statistical power -- which contributes to stability. We demonstrate empirically that ICD requires significantly fewer CI tests and learns more accurate causal graphs compared to FCI, FCI+, and RFCI algorithms (code is available at https://github.com/IntelLabs/causality-lab).