English(EN) Hold-Out Scoring for Efficient Gaussian DAG Learning

新算法HOST提高了高斯有向无环图学习的效率

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-05 04:00

研究人员开发了HOST，一种用于学习高斯有向无环图（DAG）的新算法，解决了统计-计算差距问题。与需要计算成本高昂的子集搜索或样本复杂度较差的现有方法不同，HOST使用节点外评分和凸回归。该方法在多项式时间内实现了具有竞争力的图恢复，对于最大入度为d的p节点DAG，其样本复杂度为$d\log p$的量级。实验表明，HOST在运行时方面具有良好的可扩展性，同时保持了强大的图恢复性能。 AI

影响提高了学习复杂图模型的效率，可能有利于依赖因果推断的领域。

排序理由该集群描述了arXiv论文中提出的一种用于特定机器学习任务的新算法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

本文如何被排名

Signal score: 7 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了arXiv论文中提出的一种用于特定机器学习任务的新算法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Donguk Shin, Byeongguk Kang, Inseol Lee, Gunwoong Park · 2026-10-05 04:00

高效高斯有向无环图学习的样本外评分

arXiv:2610.02785v1 Announce Type: cross Abstract: High-dimensional Gaussian DAG learning faces a statistical-computational gap: methods with sharp sample complexity rely on computationally expensive subset search and a supplied indegree bound, whereas polynomial-time alternatives…

本文如何被排名

报道来源 [1]

高效高斯有向无环图学习的样本外评分

相关实体

相关话题