A novel framework extending cause-effect inference methods to multivariate causal discovery
将二元因果推断方法扩展至多变量因果发现的新框架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：摘要以观测数据中的因果方向、局部结构识别和完整因果图恢复为核心，直接对应因果推断方向。
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…
关注这篇论文的作者
将二元因果推断方法扩展至多变量因果发现的新框架
- 研究问题
- 如何把识别两个变量因果方向的方法系统扩展到多变量观测数据，从而恢复因果图，而不只得到方向未完全确定的等价类？
- 方法与思路
- 作者提出辅助框架，利用给定二元方法能够识别的局部图结构，在一定假设下反复识别局部关系并拼接整体因果结构。
- 材料陈述的贡献
- 摘要称该框架可结合二元因果方法开展多变量结构识别，并提供理论与实验支持；具体适用条件和保证范围未在摘要展开。
- 阅读关注点
- 应核对局部结构的可识别条件、迭代过程如何避免错误传播，以及完整因果图恢复所需假设是否适合目标数据。
- 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；摘要未列明关键假设，也不足以判断对任意二元方法的适用性。
原文摘要
We focus on the extension of bivariate causal learning methods into multivariate problem settings in a systematic manner via a novel framework. It is purposive to augment the scale to which bivariate causal discovery approaches can be applied since contrast to traditional causal discovery methods, bivariate methods render estimation in the form of a causal Directed Acyclic Graph (DAG) instead of its complete partial directed acyclic graphs (CPDAGs). To tackle the problem, an auxiliary framework is proposed in this work so that together with any bivariate causal inference method, one could identify and estimate causal structure over variables more than two from observational data. In particular, we propose a local graphical structure in causal graph that is identifiable by a given bivariate method, which could be iteratively exploited to discover the whole causal structure under certain assumptions. We show both theoretically and experimentally that the proposed framework can achieve sound results in causal learning problems.