D'ya like DAGs? A Survey on Structure Learning and Causal Discovery
你喜欢有向无环图吗？结构学习与因果发现综述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：摘要明确讨论因果发现以及从图结构推断因果关系所需的假设，因此归入因果推断；图结构本身不足以支持网络与干扰分类。
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…
你喜欢有向无环图吗？结构学习与因果发现综述
- 研究问题
- 如何从数据学习变量关系的图结构，现代连续优化方法在这一问题中扮演什么角色，从统计结构进一步解释为因果关系需要哪些假设？
- 方法与思路
- 作者回顾结构发现的理论背景和方法，重点介绍现代连续优化路线，并提供基准数据集与软件资源的线索，讨论结构到因果的假设跨越。
- 材料陈述的贡献
- 摘要明确的贡献是组织结构学习方法及相关资源，并提醒读者区分图结构发现和因果解释；未声称提出新的估计器或识别定理。
- 阅读关注点
- 应核对各类方法允许的数据生成机制、输出的图或等价类、识别所需假设，以及基准比较是否处理隐藏混杂和模型设定差异。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列具体算法、比较结果或识别条件，不能据此判断哪种方法能可靠恢复因果图。
原文摘要
Causal reasoning is a crucial part of science and human intelligence. In order to discover causal relationships from data, we need structure discovery methods. We provide a review of background theory and a survey of methods for structure discovery. We primarily focus on modern, continuous optimization methods, and provide reference to further resources such as benchmark datasets and software packages. Finally, we discuss the assumptive leap required to take us from structure to causality.