Learning a directed acyclic graph with additive heteroscedastic errors
具有加性异方差误差的有向无环图学习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：摘要以异方差信息恢复因果方向及图结构，分位数回归在其中是因果发现工具。
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
具有加性异方差误差的有向无环图学习
- 研究问题
- 在误差具有加性异方差的结构方程模型中，能否利用方差携带的信息识别因果方向，并恢复有向无环图的顺序和结构？
- 方法与思路
- 作者建立位置尺度噪声模型的可识别性结果，提出交替构造残差与复合分位数回归的 RESQUE，以尺度系数跨分位数不变性识别汇点。
- 材料陈述的贡献
- 摘要称，给出变量数可随样本量增长时恢复拓扑顺序和图结构的理论保证，并在模拟及基准数据中报告有利的比较表现。
- 阅读关注点
- 应核对异方差支持方向识别的条件、尺度系数不变性的检验方式，以及高维增长限制、图恢复要求和比较实验的公平性。
- 阅读边界
- 仅据 arXiv 预印本摘要，不能确认同行评审或期刊接收；具体可识别条件和误差界未说明，所述性能优势不能推广至任意异方差模型。
原文摘要
This paper studies causal discovery for a directed acyclic graph under a structural equation model with additive heteroscedastic errors. We first establish new identifiability results for location-scale noise models, showing that heteroscedasticity can be leveraged to recover causal directions. Based on these insights, we propose a novel iterative procedure, Residual Simultaneous Quantile Estimation (RESQUE), where each iteration consists of a residual-construction stage and a composite quantile regression stage, enabling recursive identification of sink nodes via the invariance of conditional scale coefficients across quantiles. We then establish its theoretical guarantees for recovering topological order and graph structure, even when the number of variables diverges with the sample size. Simulation studies and application to benchmark datasets show that RESQUE performs favorably compared with existing methods, especially when causal information is partly encoded in the variance component. These results highlight exploiting structured variance signals for causal discovery and provide a principled framework for multivariate causal discovery beyond mean-based modeling.