BaCaDI: Bayesian Causal Discovery with Unknown Interventions
BaCaDI：干预目标未知时的贝叶斯因果发现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：摘要直接研究未知干预条件下的因果结构与干预目标发现，因此归入因果推断；因果图并不直接等同于网络与干扰模型。
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
BaCaDI：干预目标未知时的贝叶斯因果发现
- 研究问题
- 当实验数据来自多个干预条件，但干预目标未知或不确定且样本有限时，如何联合推断因果结构与干预作用位置？
- 方法与思路
- 作者提出可微的贝叶斯框架 BaCaDI，利用基于梯度的变分推断，近似干预目标和因果结构的复杂联合后验分布。
- 材料陈述的贡献
- 摘要称，在合成因果发现任务和模拟基因表达数据中，BaCaDI 识别因果结构及干预目标的表现优于所比较的相关方法。
- 阅读关注点
- 应核对干预类型与目标的建模限制、联合后验的先验设定，以及变分近似是否充分表达结构不确定性和多种解释。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已通过同行评审或获期刊接收；摘要未说明可识别条件，实验依据仅涉及合成及模拟数据。
原文摘要
Inferring causal structures from experimentation is a central task in many domains. For example, in biology, recent advances allow us to obtain single-cell expression data under multiple interventions such as drugs or gene knockouts. However, the targets of the interventions are often uncertain or unknown and the number of observations limited. As a result, standard causal discovery methods can no longer be reliably used. To fill this gap, we propose a Bayesian framework (BaCaDI) for discovering and reasoning about the causal structure that underlies data generated under various unknown experimental or interventional conditions. BaCaDI is fully differentiable, which allows us to infer the complex joint posterior over the intervention targets and the causal structure via efficient gradient-based variational inference. In experiments on synthetic causal discovery tasks and simulated gene-expression data, BaCaDI outperforms related methods in identifying causal structures and intervention targets.