Causal Discovery on Dependent Binary Data
相依二元数据的因果发现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：摘要直接研究相依二元数据的因果图学习与因果发现，支持因果推断分类；未明确研究经济主体的离散选择行为。
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…
相依二元数据的因果发现
- 研究问题
- 当不同观测单位之间存在依赖时，如何学习二元变量的因果图，并缓解常用因果发现方法依赖观测独立性所带来的问题？
- 方法与思路
- 作者用跨单位误差相关的潜在效用模型描述二元数据，以成对最大似然估计协方差，再通过类似 EM 的迭代生成并去相关潜变量样本。
- 材料陈述的贡献
- 摘要称，去相关后的潜变量数据可以交给标准因果发现方法处理；合成与真实数据实验显示，该步骤提高了因果图学习准确度。
- 阅读关注点
- 阅读全文时应核对潜在效用模型及因果图识别条件、协方差估计的可行性，以及去相关和潜变量生成误差如何影响图学习。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；摘要未说明具体识别条件、误差分布、实验指标及改善幅度。
原文摘要
The assumption of independence between observations (units) in a dataset is prevalent across various methodologies for learning causal graphical models. However, this assumption often finds itself in conflict with real-world data, posing challenges to accurate structure learning. We propose a decorrelation-based approach for causal graph learning on dependent binary data, where the local conditional distribution is defined by a latent utility model with dependent errors across units. We develop a pairwise maximum likelihood method to estimate the covariance matrix for the dependence among the units. Then, leveraging the estimated covariance matrix, we develop an EM-like iterative algorithm to generate and decorrelate samples of the latent utility variables, which serve as decorrelated data. Any standard causal discovery method can be applied on the decorrelated data to learn the underlying causal graph. We demonstrate that the proposed decorrelation approach significantly improves the accuracy in causal graph learning, through numerical experiments on both synthetic and real-world datasets.