标签
一篇新论文提出了迭代时间父节点发现(ITPD),这是一种可靠且完备的基于约束的方法,用于在具有因果非平稳性的多变量时间序列中学习因果结构。该方法采用从局部到全局的策略,以低阶条件独立性检验替代高阶检验。基准测试表明,ITPD 在 F1 分数和运行时间方面处于帕累托前沿,在包含 2000 个节点的图上,运行速度最高可达 PCMCI 的 40.9 倍。
一篇关于在含定向环与潜在混杂因子的线性高斯结构因果模型中学习因果结构的论文,提出了边际准等价性(marginal quasi-equivalence)以及一种带有一致复杂度惩罚的可微伯努利门参数化方法。
本文确立了在线性参数模型下,具有混合序数和指数族节点的因果有向无环图的可识别条件,证明了只要节点有足够的类别和支持点,边的方向就可以仅从联合分布中确定。
本文提出了Neural-Bayesian结构学习框架,该框架将可微结构学习与离散选择建模相结合,用于预测选择行为和评估干预措施,在恢复连贯的依赖结构的同时,实现了与现有基准可比的性能。
本文提出了一种监督结构学习方法,用于训练代理管理的知识库,将存储视为模型,以提高检索准确率并减少检索增强生成系统中的动作使用。
本文从理论上分析了连续DAG学习中的支持选择,表明仅靠平滑无环约束无法在可行性之外对支持进行排序,推导了NOTEARS/DAGMA的选择时间,并对320条轨迹进行了经验审计。
本文提出了一种多项式时间算法,用于从单条格劳伯动力学轨迹中学习高斯图模型的结构,其轨迹长度保证不依赖于混合时间。