Inference of Causal Networks using a Topological Threshold
利用拓扑阈值推断因果网络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：摘要直接讨论因果网络、边的方向与连通性，以及因果有向无环图的推断。
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…
利用拓扑阈值推断因果网络
- 研究问题
- 从数据推断因果网络时，能否利用网络连通性自动确定因果关联阈值，并改善离散数据中边的筛选、方向判定及计算效率？
- 方法与思路
- 作者提出约束式算法，以无孤立节点或形成因果大连通分量确定阈值，测试 Fisher 相关指标，并引入离散、非对称的 Net Influence 指标。
- 材料陈述的贡献
- 摘要称，在离散模拟和真实数据中，该算法总体上比 PC 算法更快、更准确；所提非对称指标可在阈值筛选过程中辅助确定边的方向。
- 阅读关注点
- 应核对连通性准则为何支持因果边识别、因果度量的定义与方向判定依据，以及与 PC 算法比较时的参数、评价指标和数据生成条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明因果发现的识别假设及具体比较结果，连通性与相关性本身不足以保证因果解释。
原文摘要
We propose a constraint-based algorithm, which automatically determines causal relevance thresholds, to infer causal networks from data. We call these topological thresholds. We present two methods for determining the threshold: the first seeks a set of edges that leaves no disconnected nodes in the network; the second seeks a causal large connected component in the data. We tested these methods both for discrete synthetic and real data, and compared the results with those obtained for the PC algorithm, which we took as the benchmark. We show that this novel algorithm is generally faster and more accurate than the PC algorithm. The algorithm for determining the thresholds requires choosing a measure of causality. We tested our methods for Fisher Correlations, commonly used in PC algorithm (for instance in \cite{kalisch2005}), and further proposed a discrete and asymmetric measure of causality, that we called Net Influence, which provided very good results when inferring causal networks from discrete data. This metric allows for inferring directionality of the edges in the process of applying the thresholds, speeding up the inference of causal DAGs.