Bayesian causal discovery: Posterior concentration and optimal detection
贝叶斯因果发现：后验集中与最优检测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：摘要直接研究线性结构方程中的真实因果图发现及边检测，因此归入因果推断；图结构本身不足以支持经济网络分类。
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…
贝叶斯因果发现：后验集中与最优检测
- 研究问题
- 作者研究线性结构方程模型中，真实有向无环图的结构如何影响贝叶斯后验集中速度，以及它与边检测问题的关系。
- 方法与思路
- 作者在固定变量集合的图空间上设置均匀先验，并对给定图的线性系数设置独立高斯先验，分析后验集中和假设检验联系。
- 材料陈述的贡献
- 摘要称，无法再添加边的极大无环图后验以指数速度趋于一，其他图不快于平方根样本量的倒数，并联系最优边检测。
- 阅读关注点
- 应核对高斯噪声的等变性设定、图识别条件与收敛速度的精确定义，以及最优边检测结论适用的参数范围和渐近框架。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审或期刊接收未核实；摘要未列出完整识别条件，不能将该速度结论推广至一般因果图模型。
原文摘要
We consider the problem of Bayesian causal discovery for the standard model of linear structural equations with equivariant Gaussian noise. A uniform prior is placed on the space of directed acyclic graphs (DAGs) over a fixed set of variables and, given the graph, independent Gaussian priors are placed on the associated linear coefficients of pairwise interactions. We show that the rate at which the posterior on model space concentrates on the true underlying DAG depends critically on its nature: If it is maximal, in the sense that adding any one new edge would violate acyclicity, then its posterior probability converges to 1 exponentially fast (almost surely) in the sample size $n$. Otherwise, it converges at a rate no faster than $1/\sqrt{n}$. This sharp dichotomy is an instance of the important general phenomenon that avoiding overfitting is significantly harder than identifying all of the structure that is present in the model. We also draw a new connection between the posterior distribution on model space and recent results on optimal hypothesis testing in the related problem of edge detection. Our theoretical findings are illustrated empirically through simulation experiments.