Learning and scoring Gaussian latent variable causal models with unknown additive interventions
未知加性干预下高斯潜变量因果模型的学习与评分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：摘要直接研究潜变量、未知干预与因果结构等价类的识别和学习。
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…
未知加性干预下高斯潜变量因果模型的学习与评分
- 研究问题
- 当扰动方式未知且潜变量也可能受到干预时，如何利用多环境数据学习因果结构，并刻画仍然无法区分的因果图集合？
- 方法与思路
- 作者在结构方程模型中利用系统层面的不变性，提出最大似然估计以输出因果结构等价类，并在特定结构条件下给出图形刻画。
- 材料陈述的贡献
- 摘要称框架允许未知加性干预和受扰动潜变量，提供干预等价类的刻画，并以合成数据、水库和蛋白表达数据展示用途。
- 阅读关注点
- 应核对加性干预的定义、系统不变性的来源、潜变量建模限制，以及等价类图形刻画依赖的结构假设与评分搜索方法。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实。摘要未列出具体结构假设，输出等价类不能直接视为识别唯一因果图。
原文摘要
With observational data alone, causal structure learning is a challenging problem. The task becomes easier when having access to data collected from perturbations of the underlying system, even when the nature of these is unknown. Existing methods either do not allow for the presence of latent variables or assume that these remain unperturbed. However, these assumptions are hard to justify if the nature of the perturbations is unknown. We provide results that enable scoring causal structures in the setting with additive, but unknown interventions. Specifically, we propose a maximum-likelihood estimator in a structural equation model that exploits system-wide invariances to output an equivalence class of causal structures from perturbation data. Furthermore, under certain structural assumptions on the population model, we provide a simple graphical characterization of all the DAGs in the interventional equivalence class. We illustrate the utility of our framework on synthetic data as well as real data involving California reservoirs and protein expressions. The software implementation is available as the Python package \emph{utlvce}.