Structural restrictions in local causal discovery: identifying direct causes of a target variable
局部因果发现中的结构限制：识别目标变量的直接原因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：摘要的核心是从观察分布识别目标变量的直接因果关系，属于因果识别；未提供社会网络或干扰效应的研究依据。
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
局部因果发现中的结构限制：识别目标变量的直接原因
- 研究问题
- 仅观察一个无干预环境的联合分布时，能否通过针对目标变量的结构限制识别其直接原因，而无需识别完整因果图？
- 方法与思路
- 作者讨论目标变量生成过程的不同识别条件，对其他变量基本不施加限制，并提出两个有限样本估计算法。
- 材料陈述的贡献
- 摘要称局部识别可放松完整图识别所需的假设，并给出新的识别结果及算法，在基准和真实数据上展示效果。
- 阅读关注点
- 应核对针对目标变量的具体限制、直接原因集合的唯一性、算法实现，以及放松假设后是否仍有不可识别情形。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要未列出具体识别条件，算法速度和稳健性的改善也不能据此确认。
原文摘要
We consider the problem of learning a set of direct causes of a target variable from an observational joint distribution. Learning directed acyclic graphs (DAGs) that represent the causal structure is a fundamental problem in science. Several results are known when the full DAG is identifiable from the distribution, such as assuming a nonlinear Gaussian data-generating process. Here, we are only interested in identifying the direct causes of one target variable (local causal structure), not the full DAG. This allows us to relax the identifiability assumptions and develop possibly faster and more robust algorithms. In contrast to the Invariance Causal Prediction framework, we only assume that we observe one environment without any interventions. We discuss different assumptions for the data-generating process of the target variable under which the set of direct causes is identifiable from the distribution. While doing so, we put essentially no assumptions on the variables other than the target variable. In addition to the novel identifiability results, we provide two practical algorithms for estimating the direct causes from a finite random sample and demonstrate their effectiveness on several benchmark and real datasets.