arXiv cs.AI· Ryo Kamimura, Thong Pham·· 12 小时前AI 评分24
LRQS：基于变换低秩分位数曲面的因果发现方法
Causal Discovery via Transformed Low-Rank Quantile Surfaces
AI 导读
研究者提出双变量因果模型 LRQS（Low-Rank Quantile Surfaces），在因果方向上条件分位数曲面的未知单调变换可做低秩函数分解，并证明了该模型的通用可识别性。LRQS 涵盖位置-尺度噪声模型与后非线性异方差噪声模型，支持多个分位数基以刻画超出位置-尺度效应的分布变化。实验显示其在条件分布形状变化或观测失真超出既有假设时尤为有效，该工作已被 NeurIPS 2026 接收。
正文 · AI 翻译
摘要：我们提出低秩分位数曲面（Low-Rank Quantile Surfaces，LRQS），这是一种双变量因果模型，其中在因果方向上，条件分位数曲面的未知单调变换允许低秩函数分解。LRQS 涵盖了位置-尺度噪声模型和后非线性异方差噪声模型，同时允许多个分位数基来表示超出位置-尺度效应的变化。我们证明了 LRQS 的通用可识别性：变换后的分位数曲面在因果方向上是低秩的，而在相应约束下的反向可表示性仅对特殊的、精细调整的因边缘分布成立。我们提供了一种非参数因果得分，其拟合过程在离散化分位数曲面的秩约束近似与未知单调变换的保序估计之间交替进行。在具有更高秩分布形状变化和强非线性失真的合成机制上，以及标准双变量基准上的实验表明，当条件分布形状或观测失真超出现有位置-尺度假设时，LRQS 尤为有效。
| 评论： | 已被 NeurIPS 2026 接收 |
| 主题： | 方法论（stat.ME）；人工智能（cs.AI）；机器学习（cs.LG）；机器学习（stat.ML） |
| 引用为： | arXiv:2609.16931 [stat.ME] |
| （或使用 arXiv:2609.16931v2 [stat.ME] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2609.16931 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Thong Pham [查看邮箱]
[v1]
2026年9月15日星期二 10:06:19 UTC（481 KB）
[v2]
2026年10月21日星期三 08:46:44 UTC（491 KB）
来源：arXiv cs.AI · arxiv.org