Improving Finite Sample Performance of Causal Discovery by Exploiting Temporal Structure
利用时间结构改善因果发现的有限样本表现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：摘要研究借助时间背景知识进行因果结构发现及其有限样本性质。
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…
利用时间结构改善因果发现的有限样本表现
- 研究问题
- 面对因统计误差而不稳定的因果发现算法，如何利用队列或登记数据中已有的时间分层知识，提高有限样本下的结构估计准确性？
- 方法与思路
- 作者提出利用时间分层背景知识估计因果结构的算法，给出形式证明与示例，并通过模拟及儿童队列生活方式研究展示应用。
- 材料陈述的贡献
- 摘要称，有效使用时间分层知识可增强算法对统计误差的稳健性、改善有限样本准确性，并提供若干算法性质的证明。
- 阅读关注点
- 应核对时间分层知识如何限制候选结构、背景知识出错的影响、性质证明的前提，以及模拟比较和队列应用中的识别要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出改善幅度及完整假设，时间先后信息本身不足以保证因果识别。
原文摘要
Methods of causal discovery aim to identify causal structures in a data driven way. Existing algorithms are known to be unstable and sensitive to statistical errors, and are therefore rarely used with biomedical or epidemiological data. We present an algorithm that efficiently exploits temporal structure, so-called tiered background knowledge, for estimating causal structures. Tiered background knowledge is readily available from, e.g., cohort or registry data. When used efficiently it renders the algorithm more robust to statistical errors and ultimately increases accuracy in finite samples. We describe the algorithm and illustrate how it proceeds. Moreover, we offer formal proofs as well as examples of desirable properties of the algorithm, which we demonstrate empirically in an extensive simulation study. To illustrate its usefulness in practice, we apply the algorithm to data from a children's cohort study investigating the interplay of diet, physical activity and other lifestyle factors for health outcomes.