用于无拟合二元因果推断的图 Dirichlet 能量

arXiv:2610.21892v1 公告类型：新 摘要：我们提出了图 Dirichlet 能量因果推断（GDECI）准则，用于在二元场景中区分原因与结果。对于候选方向 $X\to Y$，我们根据 $X$ 构造核相似度图，并将 $Y$ 视为图信号。该评分是由未归一化图拉普拉斯矩阵诱导的该信号的 Dirichlet 能量。反向评分则交换两个变量，并将能量较低的方向推断为因果方向。该方法既不需要回归拟合，也不需要独立性检验。在进行经验概率积分变换后，其决策对于任一变量的严格单调变换保持不变；同时，图运算可化为卷积，从而能够以 $O(n\log n)$ 的时间复杂度和 $O(n)$ 的内存开销进行精确计算。在总体层面，GDECI 比较的是按度加权的贝叶斯平方预测误差与回归函数的一个非负平滑项之和。当带宽趋于零时，权重变为均匀权重，平滑项消失，准则退化为 copula 空间中条件方差期望的 RECI 型比较。在实验中，我们将 GDECI 与 QCCD、GRCI、CAM、IGCI（两个变体）、RESIT、LOCI、QPE-k 以及 RECI（两个变体）进行比较，评估其在 1899 对因果—结果数据上的准确率和推断速度。GDECI 在 12 个合成数据集上的宏平均准确率为 $0.776$，在 11 种方法中排名第五。在真实世界的 Tuebingen 数据对上，其未加权准确率为 $0.684$，排名第三；加权准确率为 $0.678$，排名第五。在 $n\approx10^{4}$ 以内的规模上，它也是所比较方法中速度最快的。配套代码仓库：https://github.com/povidanius/gdeci】【。