Greedy Causal Discovery is Geometric
贪婪因果发现的几何结构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：摘要明确研究因果图结构发现及相关搜索算法，分类依据是因果发现而非一般网络干扰。
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…
贪婪因果发现的几何结构
- 研究问题
- 用于搜索因果有向无环图的贪婪算法，其图变换能否解释为多面体上的边行走，并据此扩展可用的搜索操作？
- 方法与思路
- 作者研究特征 imset 多面体，将既有算法的图变换对应到多面体边、骨架限制对应到面，并构造两种扩展贪婪算法。
- 材料陈述的贡献
- 摘要称给出 GES、GIES 与 MMHC 的几何实现，识别严格扩展其操作的边，并报告新混合算法在所考察比较中的表现优势。
- 阅读关注点
- 应核对算法操作与多面体边的对应范围、搜索目标及停止规则，以及因果结构可恢复条件和性能比较的具体实验设计。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明结构识别条件，也不能将比较优势推广到全部数据场景。
原文摘要
Finding a directed acyclic graph (DAG) that best encodes the conditional independence statements observable from data is a central question within causality. Algorithms that greedily transform one candidate DAG into another given a fixed set of moves have been particularly successful, for example the GES, GIES, and MMHC algorithms. In 2010, Studený, Hemmecke and Lindner introduced the characteristic imset polytope, $\operatorname{CIM}_p$, whose vertices correspond to Markov equivalence classes, as a way of transforming causal discovery into a linear optimization problem. We show that the moves of the aforementioned algorithms are included within classes of edges of $\operatorname{CIM}_p$ and that restrictions placed on the skeleton of the candidate DAGs correspond to faces of $\operatorname{CIM}_p$. Thus, we observe that GES, GIES, and MMHC all have geometric realizations as greedy edge-walks along $\operatorname{CIM}_p$. Furthermore, the identified edges of $\operatorname{CIM}_p$ strictly generalize the moves of these algorithms. Exploiting this generalization, we introduce a greedy simplex-type algorithm called \emph{greedy CIM}, and a hybrid variant, \emph{skeletal greedy CIM}, that outperforms current competitors among hybrid and constraint-based algorithms.