Adjustment Identification Distance: A gadjid for Causal Structure Learning
调整识别距离：用于因果结构学习的gadjid工具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：摘要以因果图所隐含的效应识别公式和调整关系评价结构学习，直接对应因果推断。
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…
调整识别距离：用于因果结构学习的gadjid工具
- 研究问题
- 如何评价因果发现算法学得的图，使评价反映图所建议的因果效应识别公式差异，而不只是比较两张图有多少条边不同？
- 方法与思路
- 作者构建图间因果距离框架，提出基于调整的距离并扩展至完成部分有向无环图与因果序，设计可达性算法并提供软件实现。
- 材料陈述的贡献
- 摘要称，该框架包含结构干预距离作为特例；新算法具有较低的多项式时间复杂度，软件速度提升数个数量级，可处理此前难以评估的大图。
- 阅读关注点
- 应核对距离如何对应调整识别错误、不同图类型中的解释与有效性，以及复杂度证明、速度比较基准和图规模对计算成本的影响。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未说明完整距离定义与比较设置，计算提速也不能直接证明因果发现算法更准确。
原文摘要
Evaluating graphs learned by causal discovery algorithms is difficult: The number of edges that differ between two graphs does not reflect how the graphs differ with respect to the identifying formulas they suggest for causal effects. We introduce a framework for developing causal distances between graphs which includes the structural intervention distance for directed acyclic graphs as a special case. We use this framework to develop improved adjustment-based distances as well as extensions to completed partially directed acyclic graphs and causal orders. We develop new reachability algorithms to compute the distances efficiently and to prove their low polynomial time complexity. In our package gadjid (open source at https://github.com/CausalDisco/gadjid), we provide implementations of our distances; they are orders of magnitude faster with proven lower time complexity than the structural intervention distance and thereby provide a success metric for causal discovery that scales to graph sizes that were previously prohibitive.