Bayesian learning of network structures from interventional experimental data
利用干预实验数据贝叶斯学习网络结构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。
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：摘要明确研究干预数据下的因果图识别与学习；图结构不等同于经济网络干扰。
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
利用干预实验数据贝叶斯学习网络结构
- 研究问题
- 当观察数据与随机干预产生的数据并存时，如何利用干预提升因果有向无环图的可识别性，并开展贝叶斯结构推断？
- 方法与思路
- 作者设计先验设定程序，获得图模型边际似然的闭式表达及干预后评分等价性，并用马尔可夫链蒙特卡洛探索图空间。
- 材料陈述的贡献
- 摘要称，在高斯设定下建立真实网络的后验比一致性，允许干预变量分布及两类样本相对渐近占比变化，并以模拟验证。
- 阅读关注点
- 应核对随机干预的形式、干预后等价类、先验与闭式似然的构造，以及后验比一致性对样本量和图结构的条件。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断具体干预识别条件，也不能将高斯设定的恢复结果推广为任意分布或有限样本保证。
原文摘要
Summary Directed acyclic graphs provide an effective framework for learning causal relationships among variables given multivariate observations. Under pure observational data, directed acyclic graphs encoding the same conditional independencies cannot be distinguished and are collected into Markov equivalence classes. In many contexts, however, observational measurements are supplemented by interventional data that improve directed acyclic graph identifiability and enhance causal effect estimation. We propose a Bayesian framework for multivariate data partially generated after stochastic interventions. To this end, we introduce an effective prior elicitation procedure leading to a closed-form expression for the directed acyclic graph marginal likelihood and guaranteeing score equivalence among directed acyclic graphs that are Markov equivalent post intervention. Under the Gaussian setting, we show, in terms of posterior ratio consistency, that the true network will be asymptotically recovered, regardless of the specific distribution of the intervened variables and of the relative asymptotic dominance between observational and interventional measurements. We validate our theoretical results via simulation and we implement a Markov chain Monte Carlo sampler for posterior inference on the space of directed acyclic graphs on both synthetic and biological protein expression data.