Order-based Structure Learning without Score Equivalence
不依赖评分等价性的基于排序的结构学习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：摘要明确研究因果 DAG 的可识别性与结构选择一致性，经验贝叶斯和排序 MCMC 服务于因果结构学习。
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
不依赖评分等价性的基于排序的结构学习
- 研究问题
- 如何利用变量排序高效学习高维因果 DAG，并研究同方差先验与允许异方差的选择一致性条件之间的关系？
- 方法与思路
- 作者采用同误差方差先验的经验贝叶斯表述，以最佳 DAG 的概率近似排序后验，构建排序 MCMC 和用于初始化的迭代算法。
- 材料陈述的贡献
- 摘要称证明允许异方差条件下的强选择一致性，研究采样器混合行为，并用模拟和单细胞数据展示方法的实际表现。
- 阅读关注点
- 应核对同方差先验和异方差一致性条件的区别、最佳 DAG 近似的影响，以及混合理论、初始化和比较实验的具体设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出允许异方差的条件，不能理解为在任意异方差结构下均能恢复因果图。
原文摘要
We propose an empirical Bayes formulation of the structure learning problem, where the prior specification assumes that all node variables have the same error variance, an assumption known to ensure the identifiability of the underlying causal directed acyclic graph (DAG). To facilitate efficient posterior computation, we approximate the posterior probability of each ordering by that of a best DAG model, which naturally leads to an order-based Markov chain Monte Carlo (MCMC) algorithm. Strong selection consistency for our model in high-dimensional settings is proved under a condition that allows heterogeneous error variances, and the mixing behavior of our sampler is theoretically investigated. Further, we propose a new iterative top-down algorithm, which quickly yields an approximate solution to the structure learning problem and can be used to initialize the MCMC sampler. We demonstrate that our method outperforms other state-of-the-art algorithms under various simulation settings, and conclude the paper with a single-cell real-data study illustrating practical advantages of the proposed method.