High-dimensional causal discovery under non-Gaussianity
非高斯条件下的高维因果发现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。
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：摘要以观察数据中的因果图识别和恢复为研究目标，直接属于因果推断中的因果发现。
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
非高斯条件下的高维因果发现
- 研究问题
- 在递归线性结构方程中，如何利用非高斯误差从观察数据恢复完整因果图，并允许变量数增长快于观测数？
- 方法与思路
- 作者提出高维图估计算法，以最大入度受控表达因果结构稀疏性，并在对数凹误差分布框架下开展理论分析。
- 材料陈述的贡献
- 摘要称所提算法在适当稀疏的高维情形仍能一致估计因果图，延伸了非高斯误差下识别完整图的已有结论。
- 阅读关注点
- 应核对误差项条件、最大入度与维度增长限制、算法所用统计量，以及图一致恢复与有限样本表现之间的区别。
- 阅读边界
- 仅据所给Crossref摘要，稀疏程度、信号条件和增长速度未具体说明，不能把理论推广至任意非高斯误差。
原文摘要
Summary We consider graphical models based on a recursive system of linear structural equations. This implies that there is an ordering, $\sigma$, of the variables such that each observed variable $Y_v$ is a linear function of a variable-specific error term and the other observed variables $Y_u$ with $\sigma(u) < \sigma (v)$. The causal relationships, i.e., which other variables the linear functions depend on, can be described using a directed graph. It has previously been shown that when the variable-specific error terms are non-Gaussian, the exact causal graph, as opposed to a Markov equivalence class, can be consistently estimated from observational data. We propose an algorithm that yields consistent estimates of the graph also in high-dimensional settings in which the number of variables may grow at a faster rate than the number of observations, but in which the underlying causal structure features suitable sparsity; specifically, the maximum in-degree of the graph is controlled. Our theoretical analysis is couched in the setting of log-concave error distributions.