Learning Large Causal Structures from Inverse Covariance Matrix via Sparse Matrix Decomposition
通过逆协方差矩阵的稀疏分解学习大型因果结构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：摘要明确研究线性结构方程下从观察数据识别有向无环因果图。
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…
通过逆协方差矩阵的稀疏分解学习大型因果结构
- 研究问题
- 在线性结构方程模型中，如何利用逆协方差矩阵学习大规模因果图，并缓解变量较多时的计算困难？
- 方法与思路
- 作者提出 ICID，通过连续优化进行保持逆协方差矩阵非零模式的分解，并在已知噪声方差条件下研究图识别。
- 材料陈述的贡献
- 摘要称理论与实验支持识别及计算效率，并报告对有界噪声方差误设的经验稳健性，以及模拟 fMRI 上的正则化表现。
- 阅读关注点
- 应核对除已知噪声方差外的识别条件、矩阵分解与因果方向的联系，以及非等方差误设范围和计算比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未给出完整识别条件，误设稳健性仅有经验陈述，不能扩展为一般保证。
原文摘要
Learning causal structures from observational data is a fundamental problem facing important computational challenges when the number of variables is large. In the context of linear structural equation models (SEMs), this paper focuses on learning causal structures from the inverse covariance matrix. The proposed method, called ICID for Independence-preserving Decomposition from Inverse Covariance matrix, is based on continuous optimization of a matrix decomposition model that preserves the nonzero patterns of the inverse covariance matrix. Through theoretical and empirical evidences, we show that ICID efficiently identifies the sought directed acyclic graph (DAG) assuming the knowledge of noise variances. Moreover, ICID is shown empirically to be robust under bounded misspecification of noise variances in the case where the noise variances are non-equal. The proposed method enjoys a low complexity, as reflected by its time efficiency in the experiments, and also enables a novel regularization scheme that yields highly accurate solutions on the Simulated fMRI data (Smith et al., 2011) in comparison with state-of-the-art algorithms.