Identifiability of the minimum-trace directed acyclic graph and hill climbing algorithms without strict local optima under weakly increasing error variances
误差方差弱递增下最小迹有向无环图的可识别性与爬山搜索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：摘要明确讨论因果顺序、结构方程模型及真实因果DAG的识别。
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
误差方差弱递增下最小迹有向无环图的可识别性与爬山搜索
- 研究问题
- 高斯线性结构方程模型中，沿真实因果顺序弱递增的误差方差能否识别真实DAG，并改善排序搜索的局部最优问题？
- 方法与思路
- 作者分析最小迹目标与残差平方和的关系，证明特定R2R邻域下爬山搜索的性质，并用模拟比较不同邻域。
- 材料陈述的贡献
- 摘要称，真实DAG可由最小迹准则识别，R2R邻域不存在严格局部最优；模拟仍观察到少量弱局部最优。
- 阅读关注点
- 应核对方差排序条件、最小迹解的唯一性，以及无严格局部最优结论针对的目标层次和弱局部最优处理方式。
- 阅读边界
- 这是arXiv预印本，同行评审及期刊接收未核实；无严格局部最优不直接保证有限样本搜索成功，摘要未给出完整条件。
原文摘要
We prove that the true underlying directed acyclic graph (DAG) in Gaussian linear structural equation models is identifiable as the minimum-trace DAG when the error variances are weakly increasing with respect to the true causal ordering. This result bridges two existing frameworks as it extends the identifiable cases within the minimum-trace DAG method and provides a principled interpretation of the algorithmic ordering search approach, revealing that its objective is actually to minimize the total residual sum of squares. On the computational side, we prove that the hill climbing algorithm with a random-to-random (R2R) neighborhood does not admit any strict local optima. Under standard settings, we confirm the result through extensive simulations, observing only a few weak local optima. Interestingly, algorithms using other neighborhoods of equal size exhibit suboptimal behavior, having strict local optima and a substantial number of weak local optima.