New SkewD Algorithm Enhances Causal Discovery Robustness in Noisy Models

研究人员开发了 SkewD，这是一种用于位置-尺度噪声模型（LSNM）中因果发现的新算法，该算法对偏斜噪声分布具有鲁棒性。传统方法通常假设噪声是对称的，例如正态分布，当噪声偏斜时（在真实世界数据中很常见），这可能导致不可靠的推断。SkewD 扩展了现有框架以处理偏斜正态设置，采用启发式搜索和期望条件最大化算法相结合的方式进行参数估计。在合成数据集和基准数据集上的实验评估表明，SkewD 表现出色，并且即使在高偏斜度下也能保持鲁棒性。 AI

影响 提高了在具有非理想噪声分布的复杂真实世界数据集中的因果发现的可靠性。

排序理由 该条目是一篇研究论文，详细介绍了一种新的因果发现算法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• arXiv
• Daniel Klippert
• expectation conditional maximization algorithm
• Hugging Face
• Location-Scale Noise Models
• normal distribution
• skew-normal setting

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →