Reliable Causal Discovery with Improved Exact Search and Weaker Assumptions
通过改进精确搜索与较弱假设实现可靠因果发现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：摘要直接研究因果图发现、忠实性条件和结构搜索，明确对应因果推断；图的存在本身不足以归入网络与干扰。
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…
通过改进精确搜索与较弱假设实现可靠因果发现
- 研究问题
- 在线性高斯因果发现中，如何减轻对忠实性假设的依赖，并提升精确评分搜索在较大因果图上的可扩展性与准确性？
- 方法与思路
- 作者利用逆协方差矩阵的非零支撑估计超结构以限制搜索空间，并在变量及其两跳邻居形成的局部簇内执行精确搜索。
- 材料陈述的贡献
- 摘要称，超结构估计所需假设严格弱于忠实性；数值实验展示程序可扩展至数百个节点，并保持较高准确性。
- 阅读关注点
- 应核对较弱假设的准确表述、逆协方差支撑与因果结构的关系，以及局部精确搜索能否保证全局正确和如何处理方向识别。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要限于线性高斯设定，未展开假设、准确率或推广至其他模型的保证。
原文摘要
Many of the causal discovery methods rely on the faithfulness assumption to guarantee asymptotic correctness. However, the assumption can be approximately violated in many ways, leading to sub-optimal solutions. Although there is a line of research in Bayesian network structure learning that focuses on weakening the assumption, such as exact search methods with well-defined score functions, they do not scale well to large graphs. In this work, we introduce several strategies to improve the scalability of exact score-based methods in the linear Gaussian setting. In particular, we develop a super-structure estimation method based on the support of inverse covariance matrix which requires assumptions that are strictly weaker than faithfulness, and apply it to restrict the search space of exact search. We also propose a local search strategy that performs exact search on the local clusters formed by each variable and its neighbors within two hops in the super-structure. Numerical experiments validate the efficacy of the proposed procedure, and demonstrate that it scales up to hundreds of nodes with a high accuracy.