QWO: Speeding Up Permutation-Based Causal Discovery in LiGAMs
QWO：加速线性高斯无环模型中的排列式因果发现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：摘要直接研究通过变量因果顺序学习有向无环图的因果发现方法。
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…
QWO：加速线性高斯无环模型中的排列式因果发现
- 研究问题
- 排列式因果发现需要反复构造符合变量顺序的有向无环图；研究如何降低这一构图环节的计算成本，提高搜索可扩展性。
- 方法与思路
- 作者针对线性高斯无环模型提出 QWO，加速给定排列下的图构建，并将其嵌入 GRASP 或爬山等现有排列搜索策略。
- 材料陈述的贡献
- 摘要称，相较基于 BIC 的方法，给定排列的构图获得变量数平方量级的加速，并提供理论依据及与现有搜索策略的兼容性。
- 阅读关注点
- 应核对给定顺序下最优图的定义、理论成立条件，以及平方量级加速针对的操作范围和整个排列搜索的实际耗时。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；构图加速不能据此等同于搜索全局最优或所有场景的因果识别。
原文摘要
Causal discovery is essential for understanding relationships among variables of interest in many scientific domains. In this paper, we focus on permutation-based methods for learning causal graphs in Linear Gaussian Acyclic Models (LiGAMs), where the permutation encodes a causal ordering of the variables. Existing methods in this setting are not scalable due to their high computational complexity. These methods are comprised of two main components: (i) constructing a specific DAG, $\mathcal{G}^π$, for a given permutation $π$, which represents the best structure that can be learned from the available data while adhering to $π$, and (ii) searching over the space of permutations (i.e., causal orders) to minimize the number of edges in $\mathcal{G}^π$. We introduce QWO, a novel approach that significantly enhances the efficiency of computing $\mathcal{G}^π$ for a given permutation $π$. QWO has a speed-up of $O(n^2)$ ($n$ is the number of variables) compared to the state-of-the-art BIC-based method, making it highly scalable. We show that our method is theoretically sound and can be integrated into existing search strategies such as GRASP and hill-climbing-based methods to improve their performance.