研究人员开发了 CauScale，这是一种新颖的神经架构，旨在克服现有因果发现方法应用于大规模图时的效率限制。CauScale 采用数据压缩单元和绑定的注意力权重，显著提高了时间和空间效率，能够对多达 1000 个节点的图进行推理。该架构采用双流设计，结合了用于关系证据提取的数据流和用于整合统计先验和结构信号的图流。这种方法使 CauScale 能够实现高精度，在分布内数据上达到 99.6% 的 mAP，在分布外数据上达到 84.4%，同时与以前的方法相比，推理速度得到了显著提升。 AI
影响 这项研究通过在更大的数据集上实现更高效的因果发现，有可能加速科学人工智能和数据分析。
排序理由 该集群包含一篇学术论文，详细介绍了一种新的神经因果发现方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
