Causal Discovery over High-Dimensional Structured Hypothesis Spaces with Causal Graph Partitioning
利用因果图分区在高维结构化假设空间中发现因果关系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：摘要直接研究因果图学习及马尔可夫等价类恢复，对应因果推断中的因果发现问题。
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…
利用因果图分区在高维结构化假设空间中发现因果关系
- 研究问题
- 高维因果发现需要搜索大量有向无环图，如何利用已有或学习得到的候选关系划分搜索空间，同时保持理论恢复保证？
- 方法与思路
- 作者基于候选边构成的超结构定义因果图分区，通过分而治之学习局部结构，并在特定假设下分析整体恢复结果。
- 材料陈述的贡献
- 摘要称，满足相应假设时该方法恢复真实因果图的马尔可夫等价类，并在生物网络模拟及最多一万变量的网络上提高计算速度。
- 阅读关注点
- 应核对超结构需要包含哪些真实关系、分区和合并规则、恢复等价类的假设，以及准确率与运行时间的比较设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出理论假设，且恢复等价类不足以唯一确定所有因果方向。
原文摘要
The aim in many sciences is to understand the mechanisms that underlie the observed distribution of variables, starting from a set of initial hypotheses. Causal discovery allows us to infer mechanisms as sets of cause and effect relationships in a generalized way -- without necessarily tailoring to a specific domain. Causal discovery algorithms search over a structured hypothesis space, defined by the set of directed acyclic graphs, to find the graph that best explains the data. For high-dimensional problems, however, this search becomes intractable and scalable algorithms for causal discovery are needed to bridge the gap. In this paper, we define a novel causal graph partition that allows for divide-and-conquer causal discovery with theoretical guarantees. We leverage the idea of a superstructure -- a set of learned or existing candidate hypotheses -- to partition the search space. We prove under certain assumptions that learning with a causal graph partition always yields the Markov Equivalence Class of the true causal graph. We show our algorithm achieves comparable accuracy and a faster time to solution for biologically-tuned synthetic networks and networks up to ${10^4}$ variables. This makes our method applicable to gene regulatory network inference and other domains with high-dimensional structured hypothesis spaces.