arXiv cs.AI· Jiangming Zhong, Jiawei Zhu, Guanting Wu, Qiaoxi Cai, Wanyi Chen, Jiale Li·· 1 天前AI 评分22
CausalGrade：基于 Jev 的证据引导因果图评分方法
CausalGrade: Evidence-Guided Causal Graph Scoring with Jev
AI 导读
CausalGrade 提出一种基于概率判断模型 Jev 的因果图评分方法，联合利用观测数据的关联、条件依赖与方向性证据以及因果发现基础模型 CDFM 输出的边概率，通过图邻接结构与边级判断的一致性得到图级分数。
正文 · AI 翻译
摘要：在真实因果结构未知的情况下，评估候选因果图的结构质量是应用因果发现结果时的一个重要问题。本文提出 CausalGrade，一种基于概率判断模型 Jev 的因果图评分方法。该方法将来自观测数据的关联、条件依赖和方向性证据，以及由因果发现基础模型 CDFM 产生的边概率，一并提供给 Jev。Jev 对直接因果边做出概率判断，并通过衡量待评估图的邻接结构与这些边级判断之间的一致性，得到图级评分。在 300 个合成数据集上，该评分在四种因果发现算法与五种变量数量的全部 20 种组合中均与结构误差呈现相对较强的负相关，表明评分越高通常对应结构误差越小。在 500 个合成图选择任务中，CausalGrade 的最佳候选命中率达到 54.4\%，超过 Self-Compatibility 指标 \(\kappa_G\) 的 48.4\%，进一步支持了其区分待评估图结构质量的能力。
| 评论： | 6 页，2 幅图 |
| 主题： | 机器学习（stat.ML）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.40692 [stat.ML] |
| （或 arXiv:2610.40692v1 [stat.ML] 为本版本） | |
| https://doi.org/10.48550/arXiv.2610.40692 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jiangming Zhong [查看邮箱]
[v1]
2026 年 10 月 28 日星期三 07:33:20 UTC（894 KB）
来源：arXiv cs.AI · arxiv.org