18:23官方账号arXiv cs.LG@Pavel Averin, Theodoros Moysiadis, Ioannis Katakis该综述系统梳理了约束因果发现中的条件独立性检验方法,涵盖PC和FCI算法中骨架剪枝与方向判定的核心环节。文章将CI测试分为偏相关、列联表、回归、最近邻、核和机器学习六大家族,并重点分析各族的鲁棒性局限。综述指出CI检验的统计功效随条件集规模增大而衰减,且I型/II型错误不对称会影响图级骨架恢复和v结构定向。文章还比较了主要R和Python库的采用情况,并总结了混合类型数据、小样本误差控制等开放挑战。论文条件独立性检验因果发现PC算法推荐理由:做因果发现的朋友可以看看,这篇把PC和FCI背后的CI检验方法按六个家族梳理清楚了,还讲了每种方法什么时候会失效,省得自己踩坑。原文稍后读已读值得跟进有用关注 条件独立性检验
10:22官方账号arXiv cs.LG@Eric V. StroblBLITZ 是一种非参数条件独立性检验方法,可在不到一秒内完成单次测试,适用于因果发现算法中数千次查询的场景。它首先通过低阶多项式回归移除对条件集的平滑依赖,再用浅层树回归对小规模非线性特征图进行残差化。理论分析表明,两阶段设计减少了树回归的有效复杂度,从而控制残差条件均值偏差并避免过拟合。模拟中,BLITZ 比快速核方法、随机特征方法和回归方法等竞争对手提供更好的零分布校准,同时保持最快速度之一。在合成图和流式细胞术数据的因果发现实验中,BLITZ 产生更可靠的端点定向结果和稳健的结构恢复。AI模型BLITZ因果发现条件独立性检验推荐理由:想快速做条件独立性检验?BLITZ 能在一秒内跑完,校准还比核方法好,因果发现定向更靠谱。原文稍后读已读值得跟进有用关注 BLITZ