Extremes of structural causal models
结构因果模型的极端行为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：摘要核心是结构因果模型、干预、因果图与因果结构学习，未提供金融尾部风险应用依据。
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…
结构因果模型的极端行为
- 研究问题
- 结构因果模型在观测分布和极端干预下呈现怎样的尾部行为，原有因果图中的哪些联系仍会在极端状态中保留？
- 方法与思路
- 作者在结构函数正则条件下用多元帕累托分布刻画极端行为，建立极端因果图，并以条件独立检验构造 PC 和剪枝算法。
- 材料陈述的贡献
- 摘要称，极端模型的图是原图的子图，尾部中部分因果联系可消失；同时给出马尔可夫性质和剪枝恢复极端图的一致性结果。
- 阅读关注点
- 应核对极端干预定义、结构函数条件、条件独立检验的有效性，以及两类学习算法的识别条件与河流数据验证方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实。摘要未列出正则条件；尾部图中缺边不能直接解释为原模型因果联系不再存在。
原文摘要
The behavior of extreme observations is well-understood for time series or spatial data, but little is known if the data generating process is a structural causal model (SCM). We study the behavior of extremes in this model class, both for the observational distribution and under extremal interventions. We show that under suitable regularity conditions on the structure functions, the extremal behavior is described by a multivariate Pareto distribution, which can be represented as a new SCM on an extremal graph. Importantly, the latter is a sub-graph of the graph in the original SCM, which means that causal links can disappear in the tails. We further introduce a directed version of extremal graphical models and show that an extremal SCM satisfies the corresponding Markov properties. Based on a new test of extremal conditional independence, we propose two algorithms for learning the extremal causal structure from data. The first is an extremal version of the PC-algorithm, and the second is a pruning algorithm that removes edges from the original graph to consistently recover the extremal graph. The methods are illustrated on river data with known causal ground truth.