基于约束的因果学习通用框架
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了现有因果学习算法正确性条件的不足，通过将任何基于约束的因果学习算法表示为占位符属性，提出了一种通用框架以获得正确性条件。研究显示，最稀疏的马尔可夫表征条件是现有最大祖先图和有向无环图最小性概念下的最弱正确性条件，对于因果学习的深入发展提出了超越信实性的额外知识需求。
评估因果发现算法学习到的图形是困难的。介绍了一种开发图形之间因果距离的框架，包括有向无环图的结构干预距离。开发了改进的基于调整的距离以及对已完成的部分有向无环图和因果顺序的扩展。开发了多项式时间可达性算法以高效地计算距离。提供了距离的实现，速度比结构干预距离快，为可扩展的因果发现提供了成功度量。
