Beware of the Simulated DAG! Causal Discovery Benchmarks May Be Easy To Game
警惕模拟有向无环图：因果发现基准可能容易被取巧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：摘要讨论因果顺序、因果图恢复及其基准评价，直接对应因果推断；图结构本身不足以归入网络与干扰。
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…
警惕模拟有向无环图：因果发现基准可能容易被取巧
- 研究问题
- 模拟因果图中的方差与协方差模式，是否使结构学习算法获得依赖生成机制的高表现，并削弱基准的现实代表性？
- 方法与思路
- 作者定义方差可排序性，考察边际方差排序与因果顺序的吻合程度，并比较结构学习算法、简单基线及标准化后的表现。
- 材料陈述的贡献
- 摘要称，常见模拟机制中的高方差可排序性可解释部分算法表现，且标准化后仍可能保留可被利用的协方差模式。
- 阅读关注点
- 应核对随机图和参数的生成方式、方差可排序性的定义，以及尺度变换前后的评价标准和简单基线的实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要结论针对所考察的模拟机制，不能推广到全部因果发现算法。
原文摘要
Simulated DAG models may exhibit properties that, perhaps inadvertently, render their structure identifiable and unexpectedly affect structure learning algorithms. Here, we show that marginal variance tends to increase along the causal order for generically sampled additive noise models. We introduce varsortability as a measure of the agreement between the order of increasing marginal variance and the causal order. For commonly sampled graphs and model parameters, we show that the remarkable performance of some continuous structure learning algorithms can be explained by high varsortability and matched by a simple baseline method. Yet, this performance may not transfer to real-world data where varsortability may be moderate or dependent on the choice of measurement scales. On standardized data, the same algorithms fail to identify the ground-truth DAG or its Markov equivalence class. While standardization removes the pattern in marginal variance, we show that data generating processes that incur high varsortability also leave a distinct covariance pattern that may be exploited even after standardization. Our findings challenge the significance of generic benchmarks with independently drawn parameters. The code is available at https://github.com/Scriddie/Varsortability.