Learning from Pairwise Marginal Independencies
Learning from Pairwise Marginal Independencies
复制标题
从成对边际独立性中学习
DOI：
--
复制
发表时间：
2015
期刊：
影响因子：
--
通讯作者：
M. Liskiewicz
中科院分区：
文献类型：
--
作者：
J. Textor;Alexander Idelberger;M. Liskiewicz
我们考虑表示一组变量之间的成对边缘独立性的图（例如，正态数据的协方差矩阵的零项）。我们的特点有向无环图（DAG），忠实地解释了一组给定的独立性，并推导出算法，有效地枚举这样的结构。我们的结果映射出一组给定的成对边缘独立关系的忠实因果模型的空间。这使我们能够在不使用条件独立性检验的情况下显示因果推理的可能性。
We consider graphs that represent pairwise marginal independencies amongst a set of variables (for instance, the zero entries of a covariance matrix for normal data). We characterize the directed acyclic graphs (DAGs) that faithfully explain a given set of independencies, and derive algorithms to efficiently enumerate such structures. Our results map out the space of faithful causal models for a given set of pairwise marginal independence relations. This allows us to show the extent to which causal inference is possible without using conditional independence tests.