简介：我们提出了迭代因果发现(ICD)算法，用于在潜在混杂因素和选择偏差存在的情况下恢复因果图。ICD依赖于因果马尔可夫和可靠性假设，恢复了潜在因果图的等价类。它从一个完整的图开始，由单个迭代阶段组成，通过识别连接节点之间的条件独立(CI)，逐步完善这个图。独立和因果关系在任何迭代之后都是正确的，可以随时呈现ICD。本质上，我们将CI条件集的大小与它在图上与测试节点的距离联系起来，并在后续迭代中增加这个值。因此，每一次迭代都细化了先前迭代所恢复的图，这些迭代具有更小的条件集(更高的统计效力)，这有助于算法的稳定。我们的经验证明，与FCI、FCI+和RFCI算法相比，ICD需要更少的CI测试便可以学习到更准确的因果图。

 

链接：https://arxiv.org/pdf/2111.04095.pdf
推荐理由：本文提出了迭代因果发现算法，对于潜在的混淆因子与选择性偏差具有很强的抵抗作用。令人意外的是，这篇文章与先前分享的“Recursive Causal Structure Learning in the Presence of Latent Variables and Selection Bias”文章在题目上具有很强烈的相似程度，问题设定也十分相似，但作者从属于两个科研机构。有兴趣的朋友可以对比一下看看这两篇文章😄

内容中包含的图片若涉及版权问题，请及时与我们联系删除