Causal Discovery with Fewer Conditional Independence Tests
用更少的条件独立检验进行因果发现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：摘要研究通用因果图学习与检验复杂度，未提供足以归入具体计量应用细分的依据。
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…
用更少的条件独立检验进行因果发现
- 研究问题
- 当条件独立检验次数受到限制时，还能从数据中恢复哪些因果图信息？研究寻求降低约束式因果发现的检验复杂度。
- 方法与思路
- 作者提出因果一致分区图，将节点划分为若干部分并构造部分之间的有向图，以多项式次检验学习较粗粒度的因果表示。
- 材料陈述的贡献
- 摘要称，该表示满足方向一致性及促进细分的约束；在因果图可识别的特定情形下，可用多项式次检验恢复真实因果图。
- 阅读关注点
- 应核对因果图可识别的具体范围、观察数据与额外干预的作用，以及复杂度是否只计算检验次数、如何处理有限样本检验误差。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实。摘要未列出识别与检验假设，多项式次检验的保证不能直接推广到任意因果图。
原文摘要
Many questions in science center around the fundamental problem of understanding causal relationships. However, most constraint-based causal discovery algorithms, including the well-celebrated PC algorithm, often incur an exponential number of conditional independence (CI) tests, posing limitations in various applications. Addressing this, our work focuses on characterizing what can be learned about the underlying causal graph with a reduced number of CI tests. We show that it is possible to a learn a coarser representation of the hidden causal graph with a polynomial number of tests. This coarser representation, named Causal Consistent Partition Graph (CCPG), comprises of a partition of the vertices and a directed graph defined over its components. CCPG satisfies consistency of orientations and additional constraints which favor finer partitions. Furthermore, it reduces to the underlying causal graph when the causal graph is identifiable. As a consequence, our results offer the first efficient algorithm for recovering the true causal graph with a polynomial number of tests, in special cases where the causal graph is fully identifiable through observational data and potentially additional interventions.