Identification of Causal Structure with Latent Variables Based on Higher Order Cumulants
基于高阶累积量识别含隐变量的因果结构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：摘要利用高阶累积量识别隐变量影响下的因果边及其方向，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…
基于高阶累积量识别含隐变量的因果结构
- 研究问题
- 当两个观测变量受到同一隐变量影响且二者间可能存在有向边时，如何识别该边是否存在，并进一步判断其因果方向？
- 方法与思路
- 作者利用非高斯数据的高阶累积量解析估计因果系数或其比值，据此检测观测变量间的边，并以不对称判据判断存在边时的方向。
- 材料陈述的贡献
- 摘要称高阶累积量能够识别既有方法未充分处理的潜在共同原因与直接因果边并存结构，并通过实验展示所提方法的有效性。
- 阅读关注点
- 应核对结构方程和非高斯假设、所需累积量的阶数与存在条件、系数或比值的识别歧义，以及方向判据的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明完整模型条件与数值表现，不能将局部结构识别推广到任意潜在因果图。
原文摘要
Causal discovery with latent variables is a crucial but challenging task. Despite the emergence of numerous methods aimed at addressing this challenge, they are not fully identified to the structure that two observed variables are influenced by one latent variable and there might be a directed edge in between. Interestingly, we notice that this structure can be identified through the utilization of higher-order cumulants. By leveraging the higher-order cumulants of non-Gaussian data, we provide an analytical solution for estimating the causal coefficients or their ratios. With the estimated (ratios of) causal coefficients, we propose a novel approach to identify the existence of a causal edge between two observed variables subject to latent variable influence. In case when such a causal edge exits, we introduce an asymmetry criterion to determine the causal direction. The experimental results demonstrate the effectiveness of our proposed method.