🔥 今日值得一读
局部Fisher信息一次搞定排序和选父节点，样本少也能精准还原因果图！
Local Fisher Information Enables Sparse Causal Discovery
👨💼 主理人解读 · 为什么值得关注
无需估计高维密度即可做稀疏因果发现，适合从观测数据快速推断变量依赖结构。
📖 AI 总结
本文提出一种名为FiCS（Fisher Information Completion Search）的稀疏因果发现算法，适用于加性噪声模型。其核心思路是利用单一局部Fisher得分同时完成变量排序与父节点选择，避免估计高维密度。作者证明，在正则性与非恒定父节点条件下，当条件集包含全部父节点且不含后代时，节点的局部Fisher信息恰好等于噪声Fisher信息，据此可将父节点集识别为唯一的最小Fisher完备集。理论分析表明，当最大条件集规模q不小于最大入度d时，FiCS仅需查询至多q+1个变量的边缘分布即可恢复真实有向无环图；且将q缩减至d不会降低、反而可能提升排序裕度。针对正则化核Stein估计量，作者在高维设定下建立了DAG相合性。实验显示，当样本量n相对变量数p较小时该方法增益最为显著，并在三个真实数据基准上取得有竞争力的图恢复效果。
🔑 关键词速览
| Fisher Information Completion Search (FiCS) | 一种源优先的因果发现算法，利用局部Fisher得分同时进行变量排序和父节点选择。 |
| Additive Noise Models | 一种因果模型，其中每个变量是其父节点函数与独立噪声之和。 |
| Local Fisher Information | 在给定条件集下，节点得分函数关于其值的局部Fisher信息，用于识别父节点。 |
| Directed Acyclic Graph (DAG) | 有向无环图，用于表示变量之间的因果关系，边表示直接因果影响。 |
| Kernel Stein Estimator | 一种基于Stein方法核化的估计器，用于在高维设置中估计Fisher信息或得分函数。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅