Causal Additive Models with Unobserved Causal Paths and Backdoor Paths
含未观测因果路径与后门路径的因果加性模型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：摘要核心是隐藏变量下因果方向的识别和因果发现算法。
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…
含未观测因果路径与后门路径的因果加性模型
- 研究问题
- 在隐藏变量造成未观测因果路径或后门路径时，哪些条件仍能识别观测变量之间的因果方向，并支持可靠的因果搜索？
- 方法与思路
- 作者通过回归集合的新刻画分析残差独立性和观测变量条件独立性，据此提出因果方向识别条件并构造搜索算法。
- 材料陈述的贡献
- 摘要称在既有理论难以识别的多种情形下给出充分条件，并证明搜索算法的可靠性与完备性，实证评估显示有竞争力。
- 阅读关注点
- 应核对加性模型、隐藏路径和回归集合的限制，算法可靠性与完备性适用的模型类，以及独立性检验的实际实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未列出充分条件及比较结果，不能推广为任意隐藏混杂下均可识别。
原文摘要
Causal additive models provide a tractable yet expressive framework for causal discovery in the presence of hidden variables. When unobserved backdoor or causal paths exist between two variables, their causal relationship is often unidentifiable under existing theories. We establish sufficient conditions under which causal directions can be identified in many such cases. These conditions rely on new characterizations of regression sets to determine independence among regression residuals and conditional independencies among observed variables. Building on these results, we introduce a search algorithm that incorporates these innovations and prove its soundness and completeness. Empirical evaluations demonstrate its competitive performance against state-of-the-art methods.