Causal discovery under a confounder blanket
混杂覆盖条件下的因果发现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：摘要明确研究观察数据中的混杂、因果顺序恢复与因果结构学习。
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
混杂覆盖条件下的因果发现
- 研究问题
- 在高维观察数据中，已知一组变量均为混杂协变量的后代时，能否放宽参数形式与稀疏性限制，恢复其因果顺序？
- 方法与思路
- 作者在混杂覆盖原则下构造结构学习算法，以惰性预言机刻画正确性，并为线性和非线性系统设计有限样本推断程序。
- 材料陈述的贡献
- 摘要称算法兼容不同稀疏程度并具有多项式时间复杂度，相对惰性预言机具备可靠性与完备性，且提供有限样本错误控制。
- 阅读关注点
- 应核对混杂覆盖原则及后代信息的要求、惰性预言机的定义、错误控制条件，以及理论保证与实际算法之间的对应关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实。摘要未写出关键结构假设和错误界，不能据此判断一般高维场景的适用性。
原文摘要
Inferring causal relationships from observational data is rarely straightforward, but the problem is especially difficult in high dimensions. For these applications, causal discovery algorithms typically require parametric restrictions or extreme sparsity constraints. We relax these assumptions and focus on an important but more specialized problem, namely recovering the causal order among a subgraph of variables known to descend from some (possibly large) set of confounding covariates, i.e. a $\textit{confounder blanket}$. This is useful in many settings, for example when studying a dynamic biomolecular subsystem with genetic data providing background information. Under a structural assumption called the $\textit{confounder blanket principle}$, which we argue is essential for tractable causal discovery in high dimensions, our method accommodates graphs of low or high sparsity while maintaining polynomial time complexity. We present a structure learning algorithm that is provably sound and complete with respect to a so-called $\textit{lazy oracle}$. We design inference procedures with finite sample error control for linear and nonlinear systems, and demonstrate our approach on a range of simulated and real-world datasets. An accompanying $\texttt{R}$ package, $\texttt{cbl}$, is available from $\texttt{CRAN}$.