Score matching through the roof: linear, nonlinear, and latent variables causal discovery
基于得分匹配的线性、非线性与潜变量因果发现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：摘要以观测数据中的因果图发现、隐藏变量及直接原因识别为核心，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…
基于得分匹配的线性、非线性与潜变量因果发现
- 研究问题
- 能否利用观测分布的对数密度梯度开展因果发现，放宽机制非线性要求，并在存在隐藏变量时识别图等价类或直接原因？
- 方法与思路
- 作者分析得分函数在加性噪声模型中的识别作用，建立含潜变量情形的条件，并据此设计适用于多类模型的算法。
- 材料陈述的贡献
- 摘要称，某些已有识别结果无需机制非线性假设，并扩展到隐藏变量下的图等价类与直接原因识别，同时提供经验验证。
- 阅读关注点
- 应核对取消非线性要求后保留的限制、两类潜变量识别结论的区别，以及得分估计误差如何影响实际算法。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未列完整识别条件，不能据此认为任意线性或潜变量模型均可识别。
原文摘要
Causal discovery from observational data holds great promise, but existing methods rely on strong assumptions about the underlying causal structure, often requiring full observability of all relevant variables. We tackle these challenges by leveraging the score function $\nabla \log p(X)$ of observed variables for causal discovery and propose the following contributions. First, we fine-tune the existing identifiability results with the score on additive noise models, showing that their assumption of nonlinearity of the causal mechanisms is not necessary. Second, we establish conditions for inferring causal relations from the score even in the presence of hidden variables; this result is two-faced: we demonstrate the score's potential to infer the equivalence class of causal graphs with hidden variables (while previous results are restricted to the fully observable setting), and we provide sufficient conditions for identifying direct causes in latent variable models. Building on these insights, we propose a flexible algorithm suited for causal discovery on linear, nonlinear, and latent variable models, which we empirically validate.