跳转至

GFCM: A Tail-Sensitive Mixed-Type Conditional Independence Test for Causal Discovery

作者: Pavel Averin, Theodoros Moysiadis, Ioannis Katakis
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2608.15332

一、领域脉络与小综述

这个方向是什么

条件独立性（CI）检验是约束式因果发现（PC、FCI 算法）的核心子程序：给定变量 \(X, Y\) 和条件集 \(Z\)，判断 \(X \perp\!\!\!\perp Y \mid Z\) 是否成立。该方向要解决的根本问题是：在非参数、混合类型、可能含尾部依赖的数据上，构造一个快速、校准良好、对均值以外的依赖（尺度、尾部）敏感的 CI 检验，并使其能嵌入 PC 算法中正确恢复因果图。当前成熟度：已有大量检验方法，但没有一个同时满足：非参数、混合类型、回归级计算成本、对尺度/尾部依赖有针对性、在 PC 内部保持校准和功效。

发展脉络（history）

  • 奠基工作：Shah & Peters (2020) 提出广义协方差度量（GCM），证明 CI 检验的固有困难（无一致功效），并给出基于残差协方差的检验，其有效性依赖于非参数回归率条件 \(o_P(n^{-1/4})\)。GCM 只检测条件协方差，对纯尺度/尾部依赖无功效。
  • 主要进展（均值/协方差族扩展）：
  • Scheidegger et al. (2022) 提出加权 GCM（WGCM），仍限于协方差族。
  • Lundborg et al. (2024) 提出投影协方差度量（PCM），检测条件均值变化，但未超越均值。
  • 这些方法对纯尺度（location-scale）依赖完全盲视。
  • 主要进展（分布族检验）：
  • 核方法：KCI (Zhang et al., 2011) 检测全条件分布，但 \(O(n^3)\) 不可扩展。
  • 随机傅里叶特征加速：RCoT (Strobl et al., 2019)、FFCI (Ramsey, 2026) 将核方法加速到线性，但校准在重尾/混合类型下崩溃（本文表1-2）。
  • 分位数回归部分 copula 检验 (Petersen & Hansen, 2021) 通过分位数回归估计条件分布，但计算重且对重尾条件集校准差。
  • 谱 GCM (Miyazaki & Uematsu, 2025) 通过数据自适应谱特征扩展检测全条件交叉协方差算子，理论完整但计算仍重（\(O(n^2)\) 乘子 bootstrap），且未针对 PC 内部不对称性硬化。
  • 当前 frontier：如何将分布级敏感性（尺度、尾部）与回归级计算成本、混合类型原生支持、PC 内部校准保持结合起来。本文 GFCM 填补这个结合点。
  • 本文位置：在 GCM 模板上，用一组条件均值为零的残差特征（中心化矩、分位数指示变量）替代单一均值残差，通过分块组合和 Cauchy 合并，实现针对性的尾部/尺度检测，同时保持回归级成本。并识别出 PC 内部的两个失效模式（方向不对称 F1、nuisance 脆弱性 F2）并修复。

子线索聚类

  1. 均值/协方差族检验：偏相关（Fisher's Z）、GCM、WGCM、PCM。只检测条件协方差或条件均值，计算快，但对尺度/尾部盲视。
  2. 分布族检验（核/算子）：KCI、GKCM (Bergen et al., 2025)、SGCM。检测全条件分布，但计算重（\(O(n^2)\) 或 \(O(n^3)\)），未针对 PC 内部硬化，且 SGCM 的算子范数无方向性，不能定向尾部水平。
  3. 快速分布族检验（随机特征）：RCoT、FFCI、BLITZ (Strobl, 2026)。计算快，但校准在重尾/混合类型下差，且无定向尾部能力，未处理 PC 内部不对称性。
  4. 极端值因果模型：Engelke & Hitz (2020)、Gnecco et al. (2021)、Engelke et al. (2024)。专门针对尾部，但依赖极值理论，通常只处理连续数据、低维，且不嵌入标准约束式发现流程。
  5. 混合类型 CI 检验：ci-mm (Tsagris et al., 2018) 基于似然比，但限于协方差；Mesner & Shalizi (2021) 核估计慢；FFCI 原生混合类型但校准差。GFCM 通过中心化 one-hot 残差原生处理混合类型。

这个方向在追问的核心问题（2-4个）

  1. 如何构造一个 CI 检验，使其对尺度/尾部依赖敏感，同时保持回归级计算成本和混合类型原生支持？
  2. 如何保证该检验在 PC 算法内部（面对深层条件集、重尾条件变量、方向不对称）仍保持校准和功效？
  3. 如何刻画该检验能检测的备择类（detection class），并证明 PC 使用该检验后恢复的图与检测类一致？
  4. 当前主流方法（GCM、RCoT、FFCI）在重尾/深层条件集下校准崩溃，能否通过非参数 nuisance 设计（增长结点样条、秩变换）修复？

⚠️ 作者的 framing（必须明确标注成"这是作者的说法"）

作者将缺口 frame 成："一个快速、混合类型、校准良好、能定向尾部、并针对 PC 内部硬化（F1/F2）的 CI 检验"。他们声称贡献不是检测超越协方差（已有），而是使这种检测在约束式发现中可用：正确性结果、识别定理、两个 PC 集成发现、混合类型构造。

被淡化或回避的竞争路线： - SGCM (Miyazaki & Uematsu, 2025) 被提及为检测更广（全条件交叉协方差算子），但作者强调其计算重（\(O(n^2)\) 乘子 bootstrap，仅评估到 \(n=600\)）且无方向性 dial。作者未讨论 SGCM 是否可通过随机特征加速到线性（可能未来工作），也未讨论 SGCM 的 uniform 渐近理论是否比 GFCM 的点态理论更强。 - 极端值因果模型（Engelke et al.）被定位为互补而非竞争，但未深入比较在尾部依赖检测上的相对优劣。 - BLITZ (Strobl, 2026) 被提及为校准良好且快速，但作者强调其非原生混合类型（仅通过抖动整数编码），且无定向尾部 dial。但 BLITZ 在本文实验中校准确实好，作者未讨论 BLITZ 是否可通过类似特征扩展获得尾部敏感性。

什么明显该被引/该存在、却没出现在 intro 里？ - 关于条件独立性检验的 hardness 结果：Shah & Peters (2020) 已证明无一致功效，本文引用并依赖此结果。但未引用更早的 Daudin (1980) 关于弱条件独立性的刻画（本文在检测类中引用了 Daudin，但 intro 未提）。 - 关于高维 PC 一致性：Kalisch & Bühlmann (2007) 被引用，但未讨论 GFCM 在高维下的理论（本文只给出固定维数下的 Φ-忠实性）。 - 关于 Neyman 正交性和 DML：Chernozhukov et al. (2018) 被引用，但未讨论 cross-fitting 的有限样本性质。 - 关于样条非参数回归的收敛率：Stone (1982, 1985) 被引用，但未讨论自适应 knot 选择的理论。

张力

未见明显对立引用。各方法在各自设定下有效，但存在 trade-off：检测广度 vs 计算成本 vs 校准 vs PC 内部硬化。本文的张力在于：分布族检验（KCI、SGCM）检测更广但不可扩展；快速检验（RCoT、FFCI）可扩展但校准差且无定向；本文 GFCM 在检测广度上不如 SGCM，但在可扩展性、校准、PC 集成上取得平衡。作者明确承认这一点（"We do not compete on detection breadth"）。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

符号： - \(X, Y\)：两个随机变量（可连续或分类），我们检验它们是否条件独立。 - \(Z\)：条件集，可为连续、分类或混合，维数 \(d = |S|\)。 - \(e_A = A - \mathbb{E}[A \mid Z]\)：变量 \(A\) 的条件均值残差（可观测样本通过回归估计）。 - \(c_A = |e_A| - \mathbb{E}[|e_A| \mid Z]\)：中心化尺度残差（绝对残差减去其条件均值）。 - \(r_\tau(A; Z) = \tau - \mathbf{1}\{A \leq Q_\tau(A \mid Z)\}\)：分位数指示残差，其中 \(Q_\tau(A \mid Z)\) 是条件 \(\tau\)-分位数。 - \(\Phi(A; Z) = \{ e_A, c_A, r_{\tau_1}(A;Z), \dots, r_{\tau_k}(A;Z) \}\)：特征集，默认 \(\tau \in \{0.1, 0.5, 0.9\}\)。 - 对于分类变量 \(A\)，特征为 centered one-hot 残差 \(\mathbf{1}\{A = c\} - \mathbb{E}[\mathbf{1}\{A = c\} \mid Z]\)。 - \(\beta_{\phi_X \phi_Y} = \mathbb{E}[\phi_X(X;Z) \phi_Y(Y;Z)]\)：特征对乘积的总体均值，零下原假设。 - \(n\)：样本量。 - \(K(n)\)：样条结点数，默认 \(K(n) \approx 10 n^{1/5}\)。

模型： - 数据生成机制：无特定参数模型，但假设条件均值 \(\mathbb{E}[A \mid Z]\) 和条件尺度 \(\mathbb{E}[|e_A| \mid Z]\) 是 \(Z\) 的加性函数（每个坐标光滑），且条件分位数通过位置-尺度模型 \(Q_\tau(A \mid Z) = \mathbb{E}[A \mid Z] + s(Z) q_\tau\) 近似，其中 \(s(Z) = \mathbb{E}[|e_A| \mid Z]\)。 - 原假设：\(X \perp\!\!\!\perp Y \mid Z\)。 - 备择：\(X\) 和 \(Y\) 在给定 \(Z\) 下依赖，依赖可能存在于条件均值、条件方差、条件偏度或尾部。

可观测数据： - 可观测：\((X_i, Y_i, Z_i)_{i=1}^n\)，独立同分布样本。 - 不可观测：潜在的条件均值函数 \(\mathbb{E}[A \mid Z]\)、条件尺度函数 \(\mathbb{E}[|e_A| \mid Z]\)、条件分位数 \(Q_\tau(A \mid Z)\)。这些必须通过非参数回归估计（样条）。 - 关键：检验统计量基于残差特征乘积的样本均值，这些残差通过估计的 nuisance 函数计算。

第二步：讲最小内核

最简特例：假设 \(X, Y, Z\) 都是连续一维变量（\(d=1\)），且我们只关心检测条件协方差之外的依赖（例如纯尺度依赖）。此时 GFCM 退化为：只用两个特征：均值残差 \(e_X, e_Y\) 和中心化尺度残差 \(c_X, c_Y\)，并只考虑一个块（moment block）包含 \(e_X e_Y, c_X e_Y, e_X c_Y\)。但为了展示尾部检测，我们考虑一个更简单的特例：只使用一个分位数水平 \(\tau=0.9\) 和一个均值残差，即检验统计量为 \(T = \frac{1}{\sqrt{n}} \sum_i e_{X,i} r_{0.9}(Y_i; Z_i)\)，其中 \(r_{0.9}(Y; Z) = 0.9 - \mathbf{1}\{Y \leq Q_{0.9}(Y \mid Z)\}\)。

在这个特例下： - 原假设 \(X \perp\!\!\!\perp Y \mid Z\) 下，\(\mathbb{E}[e_X r_{0.9}(Y) \mid Z] = \mathbb{E}[e_X \mid Z] \mathbb{E}[r_{0.9}(Y) \mid Z] = 0\)，因为 \(\mathbb{E}[e_X \mid Z] = 0\) 且 \(\mathbb{E}[r_{0.9}(Y) \mid Z] = 0\)（分位数指示残差条件均值为零）。所以 \(T\) 渐近正态 \(N(0, \sigma^2)\)。 - 备择：假设 \(X\) 驱动 \(Y\) 的条件上尾（例如 \(Y\) 的条件 0.9 分位数随 \(X\) 增加而增加），但条件均值不变（纯尺度/尾部依赖）。此时 \(\mathbb{E}[e_X r_{0.9}(Y) \mid Z] \neq 0\)，因为 \(e_X\) 与 \(r_{0.9}(Y)\) 相关（\(X\) 大时 \(Y\) 更可能超过其条件 0.9 分位数）。因此 \(T\) 发散，检验有功效。 - 核心思路：通过构造条件均值为零的残差特征（分位数指示残差），将尾部依赖转化为特征乘积的均值，从而用 GCM 模板检测。这避免了直接估计条件密度或 copula。

为什么这个特例是内核：整篇论文的一般化只是将这个想法扩展到多个特征（多个分位数水平、中心化尺度、one-hot）、多个块（moment block 和两个 quantile orientation block）、以及混合类型（分类变量用 one-hot 残差）。证明路线（Neyman 正交性、cross-fitting、样条 nuisance 率条件）在这个特例中已经完整呈现：需要证明 \(e_X\) 和 \(r_{0.9}(Y)\) 的 nuisance 估计误差不影响渐近分布，这依赖于 Neyman 正交性（\(e_X\) 的条件均值为零使 \(r_{0.9}\) 的 nuisance 误差被消掉）和 cross-fitting 下的乘积率条件。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：构造一个对尾部依赖和尺度依赖敏感、同时保持回归级计算成本、原生支持混合类型、并能在 PC 算法内部正确运行的 CI 检验。
  2. 核心工具/方法：在 GCM 模板上，用一组条件均值为零的残差特征（中心化矩、分位数指示变量）替代单一均值残差，通过分块组合（moment block、两个 quantile orientation block）和 Cauchy (ACAT) 合并 p 值，并使用增长结点样条作为 nuisance 函数。
  3. 主要结论：GFCM 在重尾/深层条件集下保持校准，而 FFCI、boosted GCM、partial copula 检验校准崩溃；在纯尺度/尾部依赖上，GFCM 是唯一在 PC 深层条件集下保持功效的检验；PC+GFCM 在规模随机 DAG 上达到最低骨架 SHD。

关键设定与假设

  • 设定：\(X, Y\) 可为连续或分类（混合类型），\(Z\) 可为连续、分类或混合。检验原假设 \(H_0: X \perp\!\!\!\perp Y \mid Z\)。
  • 假设 (A1)：所有 nuisance 函数（条件均值、条件尺度、条件分位数）是 \(Z\) 坐标的加性函数，每个坐标光滑度 \(s > 1/2\)（默认 \(s=2\)，三次样条），样条结点数 \(K(n) \asymp n^{1/(2s+1)}\)（默认 \(n^{1/5}\)）。相比已有文献：GCM 仅要求 nuisance 收敛率 \(o_P(n^{-1/4})\)，不要求加性结构；本文通过加性样条实现维度无关的收敛率（Stone, 1985），但牺牲了非加性结构的适用性（通过交互块和单索引块部分补救）。
  • 假设 (A2)：每个 nuisance 以 \(o_P(n^{-1/4})\) 在 \(L^2\) 中收敛，且交叉乘积 \(o_P(n^{-1/2})\)。这是 DML 标准条件，比 GCM 的原始条件略强（GCM 只要求乘积率，但本文通过正交性保证）。
  • 假设 (A3)：条件密度 \(f_{Y|Z}(\cdot \mid z)\) 在分位数附近有界且 Lipschitz；\(X, Y\) 的四阶条件矩有界。相比已有文献：分位数检验需要密度条件，而均值 GCM 不需要；但分位数残差有界，放松了矩条件。
  • 假设 (A4)：每块得分协方差矩阵存在且正定（对信号块）；条件尺度有正下界。
  • Φ-忠实性 (Definition 1)：分布 \(P\) 对 DAG \(G\) 是 Φ-忠实的，如果对所有不相交 \(X,Y,Z\)，\(X \perp\!\!\!\perp_\Phi Y \mid Z\) 当且仅当 \(X\) 被 \(Z\) d-分离。相比已有文献：线性忠实性 (Spirtes et al., 2000) 只针对协方差关系；本文推广到任意特征集的检测类。

主要结果

  • Theorem 2 (渐近水平)：在 (A1)-(A4) 下，每个正交化得分渐近正态，Cauchy 组合的 p 值渐近有效（点态水平 \(\alpha\)）。关键：加性样条实现维度无关率，使水平保证对任意 \(|S|\) 成立。
  • Proposition 1 (检测类)：GFCM 对备择一致当且仅当存在特征对 \(\beta_{\phi_X \phi_Y} \neq 0\)。分位数子集：位置偏移在任何水平可检测；尺度偏移在对称噪声下中位数盲视但任何 \(\tau \neq 0.5\) 可检测；有限网格错过效应曲线在所有网格点为零的备择。
  • Theorem 1 (Φ-CPDAG 一致性)：若 \(P\) 全局 Markov 且 Φ-忠实于 DAG \(G\)，则 PC 使用 \(\perp\!\!\!\perp_\Phi\) 作为 oracle 返回 \(G\) 的 CPDAG。用 GFCM 作为检验（水平 \(\alpha_n \to 0\)，对 Φ-可检测分离一致），经验输出依概率收敛到 CPDAG(G)。推论：若不满足 Φ-忠实性，PC+GFCM 保守地恢复 Φ-骨架（真实骨架的子图）。
  • Proposition 3 (方向不对称性)：对纯尺度边 \(X \to Y\)（\(Y\) 条件均值与 \(X\) 无关），\(Y\)-均值/\(X\)-分位数方向 \(\mathbb{E}[e_Y r_\tau(X)] = 0\) 对所有 \(\tau\)，导致 PC 删除该边。修复：运行两个方向（\(e_X r_\tau(Y)\) 和 \(r_\tau(X) e_Y\)）。

证明路线与技术技巧（理论型）

整体路线（以 Theorem 2 为例）： 1. 得分分解：将交叉拟合得分 \(\hat{\psi}_{\tau,i}\) 分解为 oracle 得分 \(\psi_{\tau,i}\) + 经验过程项 (II) + 偏差项 (III)。 2. 经验过程项 (II)：利用交叉拟合使 nuisance 与评估折独立，条件方差 \(o_P(1)\)，由 Chebyshev 得 \(o_P(1)\)。无需 Donsker 条件。 3. 偏差项 (III)：利用 Neyman 正交性（Lemma 2），nuisance 误差的一阶项被条件中心因子消掉，剩余二阶项 \(O(\|\hat{m}_X - m_X\| \|\hat{Q}_\tau - Q_\tau\|)\)，由 (A2) 得 \(o_P(1)\)。关键跳跃点：分位数指示器的非光滑性通过有界 Lipschitz 密度 (A3) 处理，展开后线性项被消掉。 4. oracle 项 (I)：i.i.d. 条件中心得分，由 Lindeberg-Feller CLT 得渐近正态（四阶矩有界保证 Lyapunov 条件）。 5. 组合：每块 quadratic form 渐近 \(\chi^2_k\)，Cauchy 组合在任意块间依赖下控制水平（Liu & Xie, 2020）。

技术技巧点名： - Neyman 正交性 (Lemma 2)：用于消除 nuisance 估计的一阶偏差。对均值-分位数乘积，\(e_X\) 的条件均值为零消掉 \(r_\tau(Y)\) 的 nuisance 误差；对中心化尺度 \(c_X e_Y\)，\(c_X\) 的条件均值为零消掉 \(e_Y\) 的 nuisance 误差。中心化是关键：未中心化的 \(|e_X| e_Y\) 有非零一阶偏差。 - 交叉拟合 (cross-fitting)：避免 Donsker 条件，使经验过程项可控制。 - 增长结点样条：实现非参数收敛率 \(o_P(n^{-1/4})\)，同时保持回归级计算成本（ridge OLS）。维度无关率：加性结构使率不随 \(|S|\) 指数下降（Stone, 1985）。 - 秩变换：将重尾条件变量映射到均匀尺度，使样条结点始终落在数据密集区，修复 F2。 - Cauchy (ACAT) 组合：在块间任意依赖下渐近有效，避免 Bonferroni 保守性和联合 Wald 的退化问题（当某块结构为零时）。 - 符号翻转 (sign-flip) bootstrap (Lemma 3)：有限样本精确（条件符号对称下），否则以 \(O_P(n^{-1/2})\) 收敛到 \(\chi^2_k\)，作为 \(\chi^2\) 校准的替代。

真实例子与应用

  • 半合成金融数据 (Section 5.9)：使用 EuStockMarkets 指数日收益率（标准化，超额峰度 4.26）作为噪声池，注入条件偏度边（\(X\) 驱动 \(Y\) 的条件偏度，均值和方差固定）。\(n=2000, |S|=3\)。GFCM 在保持名义水平 (0.045) 下达到完全功效 (1.00)，而 FFCI (0.81, 但水平 0.11)、RCoT (0.65)、BLITZ (0.64) 较低，协方差族 (boosted GCM, partial copula, Fisher-z) 盲视。说明：GFCM 在真实重尾噪声下仍能恢复尾部边。
  • Causal Chamber 光隧道 (Section 5.9)：使用物理系统 Causal Chambers (Gamella et al., 2025) 的真实因果结构（9 条边），将每条边工程化为尺度边（保持均值）。GFCM 恢复 89% 的边（SHD=5），而协方差族 (Fisher-z, GCM, boosted GCM) 恢复 0%。RCoT 和 FFCI 也恢复 78%。说明：该实验隔离协方差族的盲视，而非 GFCM 独有能力；GFCM 在尺度边上的优势与灵活检验共享。
  • PC 发现实验 (Section 5.10)：在随机类型 DAG（8 顶点，边概率 0.4，含线性、非单调、尺度、尾部边）上嵌入各检验。\(n=2000\) 时 FFCI 骨架 SHD 最低 (3.70)，GFCM 第二 (4.12)；\(n=10^5\) 时 GFCM 达到 SHD 0.61（最近竞争者 BLITZ 1.22），且精度 0.99，召回 0.99。说明：GFCM 在规模下保持校准和功效，而 FFCI 精度下降（0.84）。

🔎 结论是否比证明窄

  • Theorem 2 是点态水平，而非 uniform 水平。作者明确说明："A uniformly valid version... follows the GCM template of Shah & Peters (2020); we state the pointwise result, which suffices for the discovery guarantee of Section 4.3." 因此，PC 一致性依赖于每个查询的点态水平，但 PC 算法涉及多个查询，需要 union bound 或 error control，作者在 Theorem 1 中用了 "level sequence \(\alpha_n \to 0\)" 和 union bound，但未给出显式多重检验校正。实际中可能低估假阳性。
  • Proposition 1 (检测类) 是理论刻画，但默认网格 \(\{0.1, 0.5, 0.9\}\) 的盲区（效应曲线在网格点为零但中间非零）被明确承认。作者声称 "configurability is a lever for supervised, targeted analysis"，但 unsupervised 发现中无法逐边调参，因此默认网格的盲区是实际限制。
  • Theorem 1 (Φ-CPDAG 一致性) 假设 Φ-忠实性，这比普通忠实性更强（因为 \(\perp\!\!\!\perp_\Phi\) 比 \(\perp\!\!\!\perp\) 粗）。作者承认 "it is stronger than ordinary faithfulness precisely because \(\perp\!\!\!\perp_\Phi\) is the coarser relation"。因此，PC+GFCM 可能删除真实边（当依赖落在盲区时），但不会添加假边（Corollary 1）。实际中，Φ-忠实性是否合理取决于特征集的选择。
  • 单索引块 (Proposition 2) 的证明假设椭圆对称性和 Stein 恒等式，但实际数据可能不满足。作者通过门控 \(n \geq 5000\) 来规避小样本方向估计噪声，但未讨论方向估计偏差对水平的影响（仅通过模拟验证）。
  • 混合类型处理：分类变量的 one-hot 残差通过最小二乘估计条件概率，可能产生 \([0,1]\) 外的拟合值，但作者声称 "only the residual enters the statistic, and the sign-flip / \(\chi^2\) calibration is unaffected"。未给出理论证明，仅依赖模拟。

四、开放问题

  1. Uniform 渐近水平：本文仅证明点态水平。能否建立 uniform 水平（over a class of nulls with explicit size rates），如 Shah & Peters (2020) 对 GCM 所做？这需要更精细的 nuisance 类条件和经验过程工具。扎根于 Theorem 2 的 remark。

  2. 高维一致性：Theorem 1 假设固定维数。当变量数 \(p\) 随 \(n\) 增长时，PC+GFCM 是否一致？需要高维下的 Φ-忠实性条件和 GFCM 在多个查询下的 error control。扎根于 Kalisch & Bühlmann (2007) 的引用和本文未讨论高维。

  3. 默认网格的盲区刻画：对于给定的特征集 \(\Phi\)，能否刻画 \(\Phi\)-独立但非条件独立的备择类？这有助于指导网格选择。Proposition 1 仅给出定性描述，未给出可操作的盲区大小。扎根于 Proposition 1(iii)。

  4. 多重检验校正：PC 算法进行大量 CI 查询，GFCM 的每个查询水平 \(\alpha\) 导致整体假阳性膨胀。能否引入 FDR 或 e-value 控制？作者在 Limitations 中提及 "error control at the graph level (FDR or e-values) in the skeleton search, an important future direction"。扎根于 Section 7 Limitations。

  5. 非加性 nuisance 的扩展：加性样条假设 (A1) 限制了条件均值的结构。能否用更灵活的 nuisance（如随机森林、梯度提升）同时保持率条件？作者在 Section 5.2 提到梯度提升后端慢 40 倍，但未讨论其理论性质。扎根于 (A1) 的 remark 和 Section 5.2 的校准实验。

  6. 尾部-尾部乘积的实证研究：默认集排除 \(c_X c_Y\) 和 \(r_\tau(X) r_\sigma(Y)\)，这些目标条件共散度和联合尾部依赖。它们的检测类是什么？在哪些 DGP 下优于默认集？扎根于 Section 7 Limitations 的 item ix。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论