跳转至

DAG-CLIP: A DAG Learning Framework in the Presence of Latent Variables

作者: Siliang Zhang, Yunxiao Chen, Irini Moustaki
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2610.06086


一、领域脉络与小综述

这个方向是什么

本文所处理的根本统计问题是:当因果图中的节点本身不可直接观测(即潜变量)时,如何从可观测的显式指标(manifest indicators)中恢复潜变量之间的因果结构(DAG)。这是一个典型的"测量模型 + 结构模型"的复合问题:测量模型刻画潜变量如何生成显式指标(如李克特量表题项、测验得分),结构模型刻画潜变量之间的因果依赖。该子方向的成熟度处于"方法活跃但理论缺口明显"的阶段——已有工作要么假设节点直接可观测(经典 DAG 学习),要么假设潜变量之间无因果结构(传统因子分析/IRT),而将两者结合并给出统计相合性保证的工作非常少。

发展脉络(history)

奠基工作:从可观测 DAG 学习到潜变量因果发现的跨越。 经典 DAG 学习建立在所有变量可观测的假设之上,其代表性工作包括约束基方法 PC 算法(Spirtes et al., 2000; Kalisch and Bühhlmann, 2007)和得分基方法贪心等价搜索 GES(Chickering, 2002b)。这些工作确立了"从观测分布恢复马尔可夫等价类(MEC)"这一基本目标框架——即没有干预或额外假设时,因果方向只能识别到 MEC 为止。本文的 framing 明确继承了这一目标:"That is, without additional assumptions or experimental interventions, the underlying DAG is identifiable only up to its MEC." 这是本文理论分析的对标基准。

主要进展一:连续优化突破组合搜索瓶颈。 Zheng et al. (2018) 的 NOTEARS 是关键的范式转换——将 DAG 学习的组合约束(无环性)转化为光滑等式约束 h(B) = tr{exp(B∘B)} − m = 0,从而可以用标准连续优化方法(增广拉格朗日)求解。这一技巧使得 DAG 学习从"离散搜索"变为"连续优化",极大提升了可扩展性。本文直接借用了这一工具,但将其从可观测变量推广到潜变量场景。后续工作如 Ng et al. (2020) 进一步分析了稀疏性与 DAG 约束在似然目标中的角色,指出仅靠 ℓ1 惩罚不足以保证无环性,必须显式施加 DAG 约束——这为本文在潜变量场景下同时使用截断 ℓ1 惩罚与平滑无环约束提供了理论依据。

主要进展二:潜变量测量模型的统计推断。 在测量模型一侧,IRT(Item Response Theory)为分类/序数显式指标提供了成熟的参数化框架(Samejima, 1969 的分级反应模型;Chen et al., 2021 的综述)。关键的理论工具是:对于有序分类指标,可以引入潜在连续响应变量(underlying response variable),通过阈值参数建立与潜变量的联系。这一"潜在响应变量"表述使得二元/序数数据可以被纳入高斯潜变量框架,从而为 pairwise likelihood 的构造提供了基础。Wu and Estabrook (2016) 给出了多组序数确认性因子分析(CFA)的识别条件,本文将其作为测量模型可识别性的理论支撑。

主要进展三:潜变量因果结构学习的近期尝试。 这是本文直接对标的 frontier。Silva et al. (2006) 的 MIMBuild 算法是早期代表——它通过检测显式指标间的条件独立关系来聚类指标、识别潜变量,再在潜变量之间运行约束基搜索。但该方法的局限在于:假设线性因子模型、连续显式指标、且对潜变量之间的结构施加了较强的限制(如树结构或纯测量模型)。Kummerfeld and Ramsey (2016) 的 FOFC 算法进一步改进了潜变量聚类,但仍局限于线性高斯设定。最近的得分基方法(Ng et al., 2026; Dong et al., 2026)开始将 GES 推广到含潜变量的场景,但主要针对连续显式指标,且计算复杂度较高。本文的定位是:在允许非高斯(二元/序数)显式指标、潜变量之间为一般稀疏 DAG 的设定下,给出一个计算可行且具有统计相合性保证的两步算法。

本文的位置。 本文声称的贡献是:将 NOTEARS 的连续优化框架与 pairwise likelihood 结合,首次在"潜变量 + 非高斯显式指标"的设定下建立了 MEC 恢复的相合性理论。其策略是:先用截断 ℓ1 惩罚的平滑无环约束优化做筛选(screening),再在 MEC 空间内做 BIC 引导的后向删除(pruning)。这个"筛选-剪枝"两步策略在可观测 DAG 学习中已有先例(如 Yuan et al., 2019 的约束似然方法),但本文将其推广到潜变量场景,并针对 pairwise likelihood 重新建立了模型选择一致性。

子线索聚类

被引文献大致落在三条子线索上:

  1. 可观测 DAG 学习的连续优化方法(Zheng et al., 2018; Ng et al., 2020; Yuan et al., 2019; Bello et al., 2022):核心问题是"如何将无环性约束转化为可微形式并高效求解"。本文从这条线索借用了核心计算工具(NOTEARS 约束、截断 ℓ1 惩罚、增广拉格朗日方法)。

  2. 潜变量测量模型与因子分析(Samejima, 1969; Muthén, 1984; Wu and Estabrook, 2016; Luo et al., 2021; Castelletti, 2024; Alfonzetti et al., 2025a,b):核心问题是"如何从显式指标中识别潜变量及其分布"。本文从这条线索借用了测量模型设定和 pairwise likelihood 的构造方式。

  3. 含潜变量的因果结构学习(Silva et al., 2006; Kummerfeld and Ramsey, 2016; Cai et al., 2019; Xie et al., 2020; Huang et al., 2022; Ng et al., 2026; Dong et al., 2026):核心问题是"如何在存在潜变量时恢复因果结构"。本文直接对标这条线索,声称在非高斯显式指标和一般稀疏 DAG 设定下提供了首个具有相合性保证的得分基方法。

这个方向在追问的核心问题

  1. 可识别性:在什么条件下,潜变量之间的 DAG(或其 MEC)能从可观测指标的联合分布中唯一确定?已知瓶颈是:测量模型与结构模型的参数可能混淆(rotation indeterminacy),需要额外的识别约束(如每个潜变量至少三个指标、局部独立性等)。
  2. 计算可行性:潜变量场景下,似然函数涉及高维积分(维度等于潜变量个数),如何避免指数级计算成本?已知瓶颈是:边际似然的数值积分在 m 较大时不可行,而 MCMC 或变分方法缺乏相合性保证。
  3. 统计相合性:在什么条件下,算法输出的图估计以概率收敛到真实 MEC?已知瓶颈是:非凸优化只能保证局部最优,而模型选择一致性需要全局最优或至少对局部最优的结构性质有所刻画。

⚠️ 作者的 framing(这是作者的说法)

作者把缺口 frame 成:"现有潜变量 DAG 学习方法要么假设连续高斯显式指标(Silva et al., 2006; Kummerfeld and Ramsey, 2016),要么计算成本过高(Ng et al., 2026; Dong et al., 2026),而本文首次在非高斯(二元/序数)显式指标下提供了计算可行且具有相合性保证的方法。" 作者淡化的竞争路线包括:(a) 约束基方法(如 FCI 及其变体,Colombo et al., 2012),这些方法不需要指定测量模型,但只能输出部分有向图(PAG)而非完整 MEC,且对 faithfulness 假设更敏感;(b) 贝叶斯方法(如结构 MCMC),这些方法在理论上更灵活但缺乏频率学相合性保证。什么明显该被引、却没出现在 intro 里?——作者没有讨论潜变量 DAG 学习中的非参数可识别性文献(如基于高阶矩或独立成分分析的识别方法),也没有讨论测量不变性(measurement invariance)问题在因果发现中的角色。这两条都值得研究者去查证是否是真实缺口。

张力

未见明显对立引用。但有一个值得注意的潜在张力:NOTEARS 类方法(Zheng et al., 2018; Bello et al., 2022)的相合性依赖于对非凸优化全局最优的假设,而得分基方法(Chickering, 2002b)的相合性依赖于得分函数的可分解性。本文声称同时继承两者的优点,但这两类假设在潜变量场景下是否兼容,作者没有明确讨论——这是一个值得研究者去查证的技术疑点。

二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

符号清单(逐个点名):

记号 含义 类型
\(\eta = (\eta_1, \ldots, \eta_m)^\top\) \(m\) 个潜变量 随机变量(潜变量)
\(Y = (Y_1, \ldots, Y_p)^\top\) \(p\) 个显式指标 随机变量(可观测)
\(B = (\beta_{jk})_{m \times m}\) 结构系数矩阵,\(\beta_{jk}\) 是 \(\eta_j\) 对 \(\eta_k\) 的效应 参数(待估)
\(\Omega = \text{diag}(\omega_1, \ldots, \omega_m)\) 结构误差方差 参数(待估)
\(\Phi\) \(\eta\) 的协方差矩阵,\(\Phi = (I - B^\top)^{-1}\Omega(I - B)^{-1}\) 参数(由 \(B, \Omega\) 导出)
\(\alpha\) 测量模型参数(载荷、阈值、截距等) 参数(待估)
\(k_j \in \{1, \ldots, m\}\) 指标 \(Y_j\) 所测量的潜变量编号 已知(测量设计)
\(f_j(y \mid \eta_{k_j}; \alpha)\) 指标 \(Y_j\) 的条件分布 已知函数形式(测量模型)
\(G = (V, E)\) 潜变量间的 DAG,\(V = \{1, \ldots, m\}\),\(E = \{(j,k): \beta_{jk} \neq 0\}\) 图结构(待估)
\(C^* = C(G^*)\) 真实 DAG 的马尔可夫等价类(CPDAG) 目标 estimand
\(\theta = (\alpha, B, \Omega)\) 全部参数 参数(待估)
\(\ell_n^{\text{pair}}(\theta)\) 成对似然(pairwise log-likelihood) 目标函数
\(\text{CLBIC}_n(C)\) 基于成对似然的 BIC 型准则 模型选择准则
\(d_{\text{eff}}(C)\) 有效参数数(CLBIC 中的惩罚项) 由数据估计的量

模型(数据生成机制):

  1. 结构模型:潜变量 \(\eta\) 服从线性高斯 DAG 模型:

    \[\eta = B^\top \eta + \zeta, \quad \zeta \sim \mathcal{N}(0, \Omega), \quad \Omega = \text{diag}(\omega_1, \ldots, \omega_m) \succ 0\]
    其中 \(B\) 的支撑集编码一个 DAG(无有向环)。由此推出 \(\eta \sim \mathcal{N}(0, \Phi)\),\(\Phi = (I - B^\top)^{-1}\Omega(I - B)^{-1}\),且每个潜变量方差归一化为 1(即 \(\Phi_{ii} = 1\))。

  2. 测量模型:给定 \(\eta\),各指标条件独立(局部独立性假设),且每个指标只依赖于一个潜变量:

    \[Y_j \mid \eta_{k_j} \sim f_j(y \mid \eta_{k_j}; \alpha), \quad j = 1, \ldots, p\]
    例如分级响应模型(Example 1):\(Y_j = c \iff \tau_{j,c} < \lambda_j \eta_{k_j} + e_j \leq \tau_{j,c+1}\),\(e_j \sim \mathcal{N}(0,1)\)。

  3. 可观测数据:\(n\) 个独立同分布的样本 \(\{Y_i\}_{i=1}^n\),每个 \(Y_i \in \mathbb{R}^p\)。关键点:研究者只能观测到 \(Y\),潜变量 \(\eta\) 和参数 \(\theta\) 都不可直接观测。

可识别性:在 Assumption 1(测量模型可识别)下,\(\Phi^*\) 从 \(Y\) 的分布中可识别;在 Assumption 2(成对边际可识别)下,\(\Phi^*\) 从所有二元边际分布中可识别。目标是从 \(\Phi^*\) 恢复 \(C^* = C(G^*)\)。

第二步:最小内核

最小例子:\(m = 2\) 个潜变量,\(p = 4\) 个指标(每个潜变量由 2 个连续指标测量,线性因子模型)。

  • 结构模型:\(\eta_1, \eta_2\) 服从一个二元高斯 DAG。两种可能的 DAG:\(\eta_1 \rightarrow \eta_2\)(即 \(\beta_{12} \neq 0\))或 \(\eta_2 \rightarrow \eta_1\)(即 \(\beta_{21} \neq 0\))。这两种 DAG 属于同一个 MEC(因为 \(m=2\) 时没有 v-结构),对应的 \(\Phi^*\) 相同:\(\Phi^*_{12} = \rho \neq 0\)。
  • 测量模型:\(Y_1 = \lambda_1 \eta_1 + \varepsilon_1\),\(Y_2 = \lambda_2 \eta_1 + \varepsilon_2\),\(Y_3 = \lambda_3 \eta_2 + \varepsilon_3\),\(Y_4 = \lambda_4 \eta_2 + \varepsilon_4\),\(\varepsilon_j \sim \mathcal{N}(0, \psi_j)\) 独立。
  • 可观测数据:\(n\) 个样本 \(\{Y_i\}_{i=1}^n \subset \mathbb{R}^4\)。

这个最小例子的核心困难:从 \(Y\) 的分布中,我们可以估计 \(\text{Cov}(Y)\),进而识别出 \(\Phi^*\)(在测量模型可识别条件下)。但 \(\Phi^*\) 只告诉我们 \(\eta_1\) 与 \(\eta_2\) 相关(\(\rho \neq 0\)),无法区分方向 \(\eta_1 \rightarrow \eta_2\) 还是 \(\eta_2 \rightarrow \eta_1\)。因此,这个最小例子的可识别目标不是 DAG 本身,而是其 MEC——即无向边 \(\eta_1 - \eta_2\)。

本文方法在这个最小例子上的运作方式: 1. 筛选步骤:用截断 ℓ1 惩罚的成对似然 + 平滑无环约束,求解一个连续优化问题,得到一个 DAG \(\hat{G}^{(0)}\)。由于优化是非凸的,\(\hat{G}^{(0)}\) 可能包含伪边(spurious edges),但以高概率包含所有真实边。 2. 剪枝步骤:从 \(\hat{G}^{(0)}\) 的 MEC 出发,逐一尝试删除边,用 CLBIC 判断是否删除。删除真实边会使 CLBIC 增加 \(O_p(n)\)(因为拟合显著变差),删除伪边只会使 CLBIC 增加 \(O_p(1)\)(因为拟合几乎不变)。因此,CLBIC 的阈值可以区分真实边和伪边。

这个最小例子的数学本质:本文的核心定理(Theorem 1)说的是,在适当的正则条件下,上述两步算法的输出 \(\hat{C}_n\) 满足 \(P(\hat{C}_n = C^*) \to 1\)。证明的关键在于:(i) 筛选步骤的"伪边包含"性质(screening property),即 \(\hat{G}^{(0)}\) 以高概率包含所有真实边;(ii) 剪枝步骤的"伪边删除"性质(pruning property),即 CLBIC 能一致地区分真实边和伪边。前者依赖于截断 ℓ1 惩罚的 Oracle 性质,后者依赖于 CLBIC 的模型选择一致性。

三、这篇论文做了什么

三句话

  1. 研究了什么问题:在潜变量由非高斯(二元/序数)显式指标测量的设定下,如何从观测数据中一致地恢复潜变量之间 DAG 的马尔可夫等价类(MEC)。
  2. 核心工具/方法:提出 DAG-CLIP 两步算法——第一步用截断 ℓ1 惩罚的成对似然 + 平滑无环约束(NOTEARS 型)做筛选,第二步在 MEC 空间内用 CLBIC 引导的后向删除做剪枝。
  3. 主要结论:在测量模型可识别、 faithfulness、以及数值精度等正则条件下,DAG-CLIP 输出的 CPDAG 以概率趋于 1 地等于真实 MEC(Theorem 1);模拟和真实数据(TIMSS 2023)验证了其有限样本表现。

关键设定与假设

在第二节最小记号的基础上,补全完整设定:

  • 结构模型:\(\eta \sim \mathcal{N}(0, \Phi)\),\(\Phi = (I - B^\top)^{-1}\Omega(I - B)^{-1}\),\(\Phi_{ii} = 1\)。\(B\) 的支撑集编码 DAG \(G^*\)。稀疏性假设:\(G^*\) 是稀疏的(边数远小于 \(m^2\))。
  • 测量模型:局部独立性 + 单维测量(每个指标只测一个潜变量)。允许的显式指标类型包括连续(Example 3)、二元/序数(Example 1 分级响应模型)、以及直接观测的节点(Example 4)。关键推广:相比 Silva et al. (2006) 的线性连续设定,本文允许非高斯显式指标。
  • Assumption 1(测量模型可识别):从 \(Y\) 的分布中可唯一恢复 \((\alpha, \Phi)\)。对于分级响应模型,需要每个潜变量至少 3 个指标(Wu and Estabrook, 2016 的条件)。
  • Assumption 2(成对边际可识别):从所有二元边际分布中可唯一恢复 \((\alpha, \Phi)\)。这是 pairwise likelihood 方法的基础。
  • Assumption 3(Faithfulness):\(\mathcal{N}(0, \Phi^*)\) 忠实于 \(G^*\),即所有条件独立关系都由 \(G^*\) 的 d-分离编码。这是从 \(\Phi^*\) 恢复 MEC 的标准条件。
  • Assumption 4(正则条件):(a) 参数空间的紧性、似然函数的正则性(保证成对似然估计的相合性和渐近正态性);(b) 调参条件:\(\lambda_n \to 0\),\(n\lambda_n \to \infty\),\(\tau_n \to 0\),以及数值精度条件(筛选步骤的解 \(\tilde{\theta}\) 满足 \(\ell_n^{\text{pair}}(\tilde{\theta}) \geq \sup_\theta \ell_n^{\text{pair}}(\theta) - o_p(n)\))。

相比已有工作的放宽/强化: - 放宽:显式指标类型从连续扩展到二元/序数(相比 Silva et al., 2006; Kummerfeld and Ramsey, 2016)。 - 强化:要求测量模型预先指定(confirmatory),而非从数据中学习测量结构(exploratory)。后者是 Silva et al. (2006) 和 Ng et al. (2026) 的目标,本文明确不处理。

主要结果

Theorem 1(一致性):在 Assumptions 2、3、4 下,DAG-CLIP 的输出 \(\hat{C}_n\) 满足 \(P(\hat{C}_n = C^*) \to 1\)。

证明分两步(对应 Proposition 2 和 3):

  • Proposition 2(筛选步骤):
  • (i) 在 Assumption 2 和 4(a) 下,若筛选问题的解满足数值精度条件,则 \(\hat{G}^{(0)}\) 以概率趋于 1 是"兼容的"(compatible),即它诱导的分布与 \(\Phi^*\) 一致。
  • (ii) 在额外假设 faithfulness 和更强的数值精度条件(\(o_p(n\lambda_n)\))下,\(\hat{G}^{(0)}\) 的 CPDAG 以概率趋于 1 等于 \(C^*\)。
  • 直觉:截断 ℓ1 惩罚在真参数处具有 Oracle 性质,能一致地筛选出真实边;但非凸优化的局部最优可能包含伪边,所以需要剪枝步骤。

  • Proposition 3(剪枝步骤):

  • (i) 若当前 CPDAG 兼容但包含伪边,则存在一个可删除的边,删除后仍兼容。
  • (ii) 删除真实边会使 CLBIC 增加 \(O_p(n)\)(因为拟合显著变差),删除伪边只会使 CLBIC 增加 \(O_p(1)\)(因为拟合几乎不变)。
  • 直觉:CLBIC 的惩罚项 \(d_{\text{eff}}(C) \log n\) 是 \(O(\log n)\) 量级,所以它能区分 \(O_p(n)\) 和 \(O_p(1)\) 的拟合差异。这保证了剪枝步骤不会删除真实边,且会删除所有伪边。

技术难点与解决: 1. 高维积分:边际似然涉及对潜变量的积分,维度等于 \(m\)。解决:pairwise likelihood 将积分降为至多二维(每对指标只涉及至多两个潜变量),从而避免高维数值积分。 2. 非凸优化:截断 ℓ1 惩罚 + 平滑无环约束构成非凸问题。解决:用差分凸(DC)分解将截断 ℓ1 写成两个凸函数之差,再用增广拉格朗日方法求解每个加权 ℓ1 子问题。 3. MEC 空间搜索:直接在 DAG 空间搜索是组合爆炸的。解决:利用 CPDAG 的图论性质(如 Chickering 的算符),在 MEC 空间内做后向删除,避免枚举 DAG。

真实例子与应用

TIMSS 2023 澳大利亚八年级数据: - 数据:7,997 名学生,14 个潜变量(如"喜欢学数学"、"教学清晰度"、"校园归属感"等),由 69 个二元/序数问卷题项测量,加上 2 个观测变量(数学和科学成绩)。 - 如何应用:测量模型预先指定(每个题项对应一个潜变量,遵循 TIMSS 的题目-构念对应关系),然后运行 DAG-CLIP 两步算法。 - 结果:选出的 CPDAG 有 57 条边(满图 120 条),其中 56 条方向确定。关键发现包括:数学成绩 → 科学成绩(方向确定),背景变量(家庭资源、校园归属感)指向学科态度和成绩。模型在测试集上的成对预测损失比空图低 21.9×10⁻³(标准误 1.4×10⁻³),达到饱和模型(120 条边)损失的 99.8% 的降幅,但只用了不到一半的边。 - 这个例子想说明什么:(1) 方法能处理真实规模的潜变量图(\(m=14\))和非高斯指标;(2) 剪枝步骤能有效去除伪边,得到稀疏且预测性能接近饱和的模型;(3) 结果具有可解释性,与教育研究中的预期一致。

🔎 结论是否比证明窄

  1. Theorem 1 的证明依赖"筛选步骤找到全局最优"的假设(Assumption 4(b) 中的数值精度条件),但非凸优化在有限样本下几乎不可能保证全局最优。作者在 Proposition 2 的 (i) 中只证明了"兼容性"(较弱的性质),而 (ii) 需要更强的精度条件。文中没有明确说明在有限样本下如何验证或保证这个条件——这是一个值得研究者去查证的窄点。

  2. Theorem 1 只对固定 \(m\) 和 \(p\) 成立("for fixed m and p as n → ∞")。对于 \(m\) 或 \(p\) 随 \(n\) 增长的高维设定,没有给出理论保证。作者在模拟中考虑了 \(m=40\) 的情况,但没有高维相合性定理。

  3. Assumption 2(成对边际可识别)的验证:作者声称对 Examples 1–4 成立,但证明在补充材料中。对于更一般的测量模型(如多维 IRT),该假设是否成立不明确。

  4. 剪枝步骤的搜索策略:Proposition 3 假设剪枝步骤能系统搜索所有候选删除,但实际实现中使用了启发式排序(Wald 统计量)。文中没有证明这种启发式排序不会错过最优删除。

四、开放问题

以下开放问题均扎根于本文的具体语句,只罗列、不判断可行性:

  1. 高维相合性:Theorem 1 只覆盖固定 \(m\) 和 \(p\)。当 \(m\) 或 \(p\) 随 \(n\) 增长时,DAG-CLIP 是否仍能一致恢复 MEC?需要什么条件(如稀疏性、调参速率)?——扎根于 Theorem 1 的陈述 "for fixed m and p as n → ∞"。

  2. 非凸优化的全局最优保证:筛选步骤的数值精度条件(Assumption 4(b))在有限样本下如何验证?是否存在可证明收敛到全局最优的算法变体?——扎根于 Assumption 4(b) 中 "the solution of the screening step satisfies ℓ_n^{pair}(θ̃) ≥ sup_θ ℓ_n^{pair}(θ) − o_P(n)"。

  3. 测量模型误设的稳健性:如果测量模型被误设(如题项实际测量了多个潜变量、或局部独立性违反),DAG-CLIP 的 MEC 恢复是否仍然相合?——扎根于 Section 2.1 的局部独立性假设和 Section 7 对多维测量模型的讨论。

  4. 剪枝步骤的搜索效率:Wald 统计量排序的启发式是否会影响剪枝的相合性?是否存在更优的搜索策略?——扎根于 Section 3.3 对剪枝步骤的描述和 Proposition 3 的证明。

  5. 与约束基方法的比较:本文没有与 FCI 类方法(Colombo et al., 2012)在潜变量场景下进行系统比较。在 faithfulness 违反或有限样本下,两类方法的优劣如何?——扎根于 Section 5 模拟中仅与得分基基线比较的设置。

  6. 可识别性的边界:Assumption 2 对测量模型的要求是否是最小的?是否存在更弱的条件仍能保证 MEC 可识别?——扎根于 Section 2.2 对 Assumption 1 和 2 的讨论。

顺带提醒:要确认上述某条是否是真 gap,建议去读潜变量因果发现子领域近期约 5 篇论文(如 2023–2025 年关于 latent DAG 识别的 NeurIPS/ICML/JASA 论文)的引言——如果多篇都指向同一个未解决问题,那就是共识性 gap;如果各篇的 framing 互相矛盾,那更可能是机会所在。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论