基于超结构和分治的横截面数据因果发现
机器学习
2026-02-05 v1 统计方法学
摘要
本文解决了基于超结构（Super-Structure）的分治因果发现中的关键瓶颈：在条件独立（CI）测试成本高昂且缺乏领域知识的情况下，构建准确超结构的困难。我们提出一种新型轻量级框架，通过放宽对超结构构建的严格要求同时保持分治算法的优势，大幅降低 CI 测试开销而不牺牲准确性。我们将弱约束超结构与高效图分区和合并策略相结合。我们在具体的因果发现算法中实现该框架，并对其组件在合成数据上的进行严格评估。在包括 magic-NIAB、ECOLI70 和 magic-IRRI 在内的高斯贝叶斯网络上进行全面实验，显示出该方法在显著减少 CI 测试数量的同时，与 PC 和 FCI 的结构准确性相匹配或近似相等。进一步在真实世界的中国健康与退休人员长期追踪研究（CHARLS）数据集上进行验证，确认了其实际应用价值。我们的结果表明，即便在对初始超结构几乎没有假设的情况下，也可实现准确、可扩展的因果发现，为应用于生物医学和社会科学等大规模、知识稀缺领域开辟了新路径。
引用
@article{arxiv.2602.03914,
title = {Causal Discovery for Cross-Sectional Data Based on Super-Structure and Divide-and-Conquer},
author = {Wenyu Wang and Yaping Wan},
journal= {arXiv preprint arXiv:2602.03914},
year = {2026}
}
备注
7 pages,16 figures