精选理由
因果发现领域长期依赖单一最优DAG，但真实数据往往支持多种解释——这篇论文用熵推断解决了这个痛点，做因果推断或复杂系统建模的研究者值得关注，方法可直接用于评估因果结构的稳健性。
传统贝叶斯网络通过优化生成有向无环图（DAG）来建模因果关系，但真实数据常允许多种因果链，导致优化结果可能包含伪影。本文提出基于熵推断的方法，生成与数据一致的因果图谱集（causal atlases），量化因果关系的结构模糊性。在2节点和20节点的线性结构方程模型模拟噪声数据上，该方法采样最大熵图集，发现“最优”DAG中存在不一致的因果伪影。这为数据驱动的因果发现提供了更忠实于数据变异的框架。
AI 翻译 · 中文
传统贝叶斯网络通过优化生成有向无环图（DAG）来建模因果关系，但真实数据常允许多种因果链，导致优化结果可能包含伪影。本文提出基于熵推断的方法，生成与数据一致的因果图谱集（causal atlases），量化因果关系的结构模糊性。在2节点和20节点的线性结构方程模型模拟噪声数据上，该方法采样最大熵图集，发现“最优”DAG中存在不一致的因果伪影。这为数据驱动的因果发现提供了更忠实于数据变异的框架。
Data-driven causal relationship identification is pertinent to advancing understanding of complex systems both within and beyond science. Bayesian networks offer a probabilistic method for modelling generic causal relati…