综述回顾了用于因果发现的条件独立性检验

本综述文章全面回顾了条件独立性（CI）检验，这是PC和FCI等基于约束的因果发现算法的基础。文章将常见的CI方法分为六个家族，包括回归、核方法和基于机器学习的方法，并考察了它们的假设、鲁棒性和可扩展性，特别是在高维和混合类型的生物医学数据中。文章还讨论了CI检验的性质对因果图恢复的影响，并比较了这些方法在R和Python库中的采用情况，强调了混合类型检验和可扩展性等开放性挑战。 AI

影响 提供了对机器学习中因果推断至关重要的统计方法的基础性回顾。

排序理由 该条目是一篇关于因果发现统计方法的综述论文，发表在arXiv上。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• FCI algorithm
• Gotit.pub
• Hugging Face
• Peter-Clark algorithm
• Python
• R
• ScienceCast

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →