arXiv · cs.AI· Matteo Ceriscioli, Shohei Shimizu, Mallika Gupta, Karthika Mohan·· 4 小时前
因果发现研究将可识别性结果推广至缺失数据情形
Generalizing Identifiability Results in Causal Discovery from Complete Data to Missing Data Settings
arXiv:2610.19211v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Matteo Ceriscioli, Shohei Shimizu, Mallika Gupta, Karthika Mohan
研究任务与主要进展
研究者将因果图可识别性从完整数据推广到多种缺失机制设置。基于论文摘要，在无未观测混杂条件下，缺失机制不与因果过程相互作用、变量不直接导致自身缺失，且满足faithfulness或广义线性模型条件时，因果图仍可识别。作者还为加性噪声模型提出两种渐近正确算法，用于恢复因果图并获得一致的参数估计。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org