Bayesian Causal Discovery with Cycles and Latent Confounders
允许因果循环与潜在混杂的贝叶斯因果发现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：摘要明确研究有循环和潜在混杂时的因果发现与唯一识别；因子分析在此服务于因果识别，不能据此归入宏观因子模型。
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…
允许因果循环与潜在混杂的贝叶斯因果发现
- 研究问题
- 研究观测数据的因果结构学习如何同时容纳反馈循环和潜在混杂，并在何种条件下实现因果结构的唯一识别。
- 方法与思路
- 作者结合含噪独立成分分析的识别结果与因子分析，建立识别论证，再提出全贝叶斯结构学习方法 BayCausal。
- 材料陈述的贡献
- 摘要称在一定条件下取得唯一因果识别，提出相应算法和 R 包，并以模拟及女性 HIV 研究数据展示方法表现与解释性。
- 阅读关注点
- 应核对唯一识别针对的对象、噪声和潜在混杂条件、循环系统的处理方式，以及贝叶斯先验和模拟比较是否影响结论。
- 阅读边界
- 这是 arXiv 预印本，无法据此确认同行评审或期刊接收；摘要未列明所谓温和条件，无法独立核实优越性、软件能力或首创性。
原文摘要
Learning causality from observational data has received increasing interest across various scientific fields. However, most existing methods assume the absence of latent confounders and restrict the underlying causal graph to be acyclic, assumptions that are often violated in many real-world applications. In this paper, we address these challenges by proposing a novel framework for causal discovery that accommodates both cycles and latent confounders. By leveraging the identifiability results from noisy independent component analysis and recent advances in factor analysis, we establish the unique causal identifiability under mild conditions. Building on this foundation, we further develop a fully Bayesian approach for causal structure learning, called BayCausal, and evaluate its identifiability, utility, and superior performance against state-of-the-art alternatives through extensive simulation studies. Application to a dataset from the Women's Interagency HIV Study yields interpretable and clinically meaningful insights. To facilitate broader applications, we have implemented BayCausal in an R package, BayCausal, which is the first publicly available software capable of achieving unique causal identification in the presence of both cycles and latent confounders.