.png){kind=icon}
返回
Causal discovery by continuous optimization with weighted superstructure
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2026.108974.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于评分的方法将因果发现表述为连续优化问题已取得显著性能提升。然而，在高维、样本有限和异质噪声场景下，其性能往往下降。经验表明，基于约束的方法在异质噪声和少量样本下学习因果结构时通常优于基于连续优化的方法，这促使我们通过引入和利用条件独立性（CI）信息来改进基于连续优化的因果发现。为获取可靠的CI信息，我们使用低阶（0阶和1阶）CI测试从观测数据构建加权超结构。随后，我们将加权CI约束引入连续优化，约束可从加权超结构中便捷获取。理论上，我们为带CI约束的优化框架提供了收敛性保证。在合成和真实数据集上的广泛实验表明，我们的方法有效提升了现有连续优化方法在因果发现中的性能，尤其在低样本场景下。源代码和数据可在https://github.com/Mjchen22/WIC获取。
Keyword:
causal discovery
continuous optimization
conditional independence
weighted superstructure
low-sample regime
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
引用论文
Accurate and efficient estimation of smallP-values with the cross-entropy method: applications in genomic data analysis使用交叉熵方法对小P-值进行准确且高效的估计：在基因组数据分析中的应用
OAAI
OAAI分享收藏CAM: CAUSAL ADDITIVE MODELS, HIGH-DIMENSIONAL ORDER SEARCH AND PENALIZED REGRESSION.png)
ANNALS OF STATISTICSOAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏LEARNING HIGH-DIMENSIONAL DIRECTED ACYCLIC GRAPHS WITH LATENT AND SELECTION VARIABLES学习具有潜在变量和选择变量的高维有向无环图ANNALS OF STATISTICSOAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏
分享收藏
查看更多内容