Stable Causal Discovery via Directed Acyclic Graph Aggregation
通过有向无环图聚合实现稳定因果发现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：题名与摘要明确以因果结构发现为目标，讨论有向无环图的聚合和边恢复，因此归入因果推断方法方向。
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…
通过有向无环图聚合实现稳定因果发现
- 研究问题
- 在有限样本、模型不确定性和巨大搜索空间下，如何聚合多个候选因果图，得到更稳定且仍满足无环约束的结构？
- 方法与思路
- 作者提出 DAGgr，按重复数据划分中的样本外预测似然为候选图加权，再对边重要性分数使用确保无环的阈值规则。
- 材料陈述的贡献
- 摘要称建立有限样本风险界、无环性及条件下的边选择一致性，并在模拟和蛋白信号网络中展示较好的结构恢复表现。
- 阅读关注点
- 应核对阈值为何确保无环、权重一致性条件、候选图集合的作用，以及预测似然与因果结构恢复之间的理论联系。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未说明因果识别假设及风险界细节，预测表现与无环性本身不能验证因果方向。
原文摘要
Directed Acyclic Graphs (DAGs) are central to uncovering causal structure in complex systems, yet learning a single DAG from data is often challenging: model uncertainty, finite samples, and a combinatorially large search space frequently yield unstable estimates. We propose DAGgr, a model averaging framework that aggregates multiple candidate DAGs into a single stable representation. Candidate graphs are weighted by their out-of-sample predictive likelihood across repeated data splits, and a thresholding rule on the resulting edge-importance scores guarantees that the aggregated graph is itself acyclic. We establish a finite-sample risk bound, prove that the procedure preserves acyclicity, and show that edge selection is consistent under mild conditions on the weights. Simulations across random, hub, and chain structures, together with an analysis of the Sachs et al. (2005) protein-signaling network, show that DAGgr matches or exceeds the best individual candidate while consistently outperforming bootstrap-aggregation baselines across structural recovery metrics.