Hierarchical Topological Ordering with Conditional Independence Test for Limited Time Series
有限时间序列下基于条件独立检验的层级拓扑排序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：摘要以条件工具变量、外生干预和条件独立检验学习因果 DAG，核心依据是因果结构识别而非一般时间序列建模。
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…
有限时间序列下基于条件独立检验的层级拓扑排序
- 研究问题
- 仅有两个可不相邻且时间安排灵活的截面记录时，能否有效学习因果 DAG，并减少拓扑排序方法产生的待剪枝伪边？
- 方法与思路
- 作者将条件工具变量作为外生干预来识别后代节点，提出结合条件独立检验的层级拓扑排序算法 HT-CIT。
- 材料陈述的贡献
- 摘要称 HT-CIT 缩小稀疏 DAG 学习的搜索空间并减少待剪枝边，合成与真实数据结果展示了相对比较方法的优势。
- 阅读关注点
- 应核对两个时间记录之间的关系、条件工具变量成立的要求，以及后代节点识别、检验误差和剪枝程序如何衔接。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出工具有效性和图识别条件，也未说明优势的具体指标及适用范围。
原文摘要
Learning directed acyclic graphs (DAGs) to identify causal relations underlying observational data is crucial but also poses significant challenges. Recently, topology-based methods have emerged as a two-step approach to discovering DAGs by first learning the topological ordering of variables and then eliminating redundant edges, while ensuring that the graph remains acyclic. However, one limitation is that these methods would generate numerous spurious edges that require subsequent pruning. To overcome this limitation, in this paper, we propose an improvement to topology-based methods by introducing limited time series data, consisting of only two cross-sectional records that need not be adjacent in time and are subject to flexible timing. By incorporating conditional instrumental variables as exogenous interventions, we aim to identify descendant nodes for each variable. Following this line, we propose a hierarchical topological ordering algorithm with conditional independence test (HT-CIT), which enables the efficient learning of sparse DAGs with a smaller search space compared to other popular approaches. The HT-CIT algorithm greatly reduces the number of edges that need to be pruned. Empirical results from synthetic and real-world datasets demonstrate the superiority of the proposed HT-CIT algorithm.