Markovian acyclic directed mixed graphs for discrete data
离散数据的马尔可夫无环有向混合图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：摘要提供图模型与条件独立理论，但未明确讨论因果效应识别或经济网络干扰。
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
离散数据的马尔可夫无环有向混合图
- 研究问题
- 含有向边和双向边的无环混合图，如何刻画带隐藏变量的有向无环图在观测变量上的条件独立结构及离散分布模型？
- 方法与思路
- 作者以全局马尔可夫性质和 m 分离定义模型，提出推广有向无环图递归分解的准则，并用条件概率参数化有限离散模型。
- 材料陈述的贡献
- 摘要称，分解准则刻画了相应马尔可夫模型，并描述参数的变动依赖性；模型的光滑性使其构成弯曲指数族。
- 阅读关注点
- 应核对分解涉及的图结构、参数空间中的约束与变动依赖，以及图模型和隐藏变量模型的观测边缘之间的关系。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能判断具体参数约束或证明条件；条件独立刻画本身不提供因果效应识别结论。
原文摘要
Acyclic directed mixed graphs (ADMGs) are graphs that contain directed ($\rightarrow$) and bidirected ($\leftrightarrow$) edges, subject to the constraint that there are no cycles of directed edges. Such graphs may be used to represent the conditional independence structure induced by a DAG model containing hidden variables on its observed margin. The Markovian model associated with an ADMG is simply the set of distributions obeying the global Markov property, given via a simple path criterion (m-separation). We first present a factorization criterion characterizing the Markovian model that generalizes the well-known recursive factorization for DAGs. For the case of finite discrete random variables, we also provide a parameterization of the model in terms of simple conditional probabilities, and characterize its variation dependence. We show that the induced models are smooth. Consequently, Markovian ADMG models for discrete variables are curved exponential families of distributions.