A Versatile Causal Discovery Framework to Allow Causally-Related Hidden Variables
允许隐变量间因果关联的因果发现框架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：摘要直接讨论隐变量存在时的因果结构识别、识别条件和因果发现算法，因此归入因果推断。
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…
关注这篇论文的作者
允许隐变量间因果关联的因果发现框架
- 研究问题
- 当隐变量不仅作为共同原因，还可能受到观测变量影响并与其他隐变量存在因果关系时，如何从观测数据识别潜在因果结构？
- 方法与思路
- 作者利用观测变量协方差矩阵的秩信息研究潜在结构识别，并提出 RLCD 算法定位隐变量、确定其基数及发现观测与隐变量间结构。
- 材料陈述的贡献
- 摘要称给出部分潜在结构可识别的充要条件，并在特定图条件下证明 RLCD 渐近识别整个潜在因果图的马尔可夫等价类。
- 阅读关注点
- 应核对秩约束背后的模型假设、可识别潜在结构的具体范围、图条件，以及算法输出的等价类与唯一因果图之间的区别。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未列出模型与图条件，不能将其识别结论理解为适用于任意隐变量网络。
原文摘要
Most existing causal discovery methods rely on the assumption of no latent confounders, limiting their applicability in solving real-life problems. In this paper, we introduce a novel, versatile framework for causal discovery that accommodates the presence of causally-related hidden variables almost everywhere in the causal network (for instance, they can be effects of observed variables), based on rank information of covariance matrix over observed variables. We start by investigating the efficacy of rank in comparison to conditional independence and, theoretically, establish necessary and sufficient conditions for the identifiability of certain latent structural patterns. Furthermore, we develop a Rank-based Latent Causal Discovery algorithm, RLCD, that can efficiently locate hidden variables, determine their cardinalities, and discover the entire causal structure over both measured and hidden ones. We also show that, under certain graphical conditions, RLCD correctly identifies the Markov Equivalence Class of the whole latent causal graph asymptotically. Experimental results on both synthetic and real-world personality data sets demonstrate the efficacy of the proposed approach in finite-sample cases.