Kausale Entdeckung basierend auf Reihenfolge mittels generalisiertem Score‑Matching

Die Aufgabe, gerichtete azyklische Graphen (DAGs) ausschließlich aus Beobachtungsdaten zu rekonstruieren, bleibt ein zentrales Problem in vielen wissenschaftlichen Bereichen. In einer neuen Studie wird ein Ansatz vorgestellt, der die Score‑Funktion der Datenverteilung nutzt, um zunächst eine topologische Reihenfolge des zugrunde liegenden Graphen zu bestimmen – zunächst durch Erkennung von Blattknoten – und anschließend gezielt Kanten zu entfernen, um das Netzwerk zu rekonstruieren.

Der Beitrag erweitert das Score‑Matching‑Framework, das bislang vor allem für kontinuierliche Daten entwickelt wurde, auf diskrete Datensätze. Hierfür wird ein neues Blatt‑Diskriminanzkriterium eingeführt, das auf der diskreten Score‑Funktion basiert. Durch Simulationen und reale Experimente wird gezeigt, dass dieser Ansatz die wahre kausale Reihenfolge aus diskreten Beobachtungen zuverlässig ermitteln kann.

Wichtig ist, dass die ermittelte Reihenfolge die Genauigkeit bestehender kausaler Entdeckungsalgorithmen in nahezu allen getesteten Szenarien deutlich steigert. Damit liefert die Arbeit einen bedeutenden Fortschritt für die Analyse von kausalen Strukturen in Bereichen, in denen ausschließlich diskrete Daten vorliegen.