English(EN) Causality-Encoded Diffusion Models for Interventional Sampling and Edge Inference

新的扩散模型编码因果关系，用于干预采样和边缘推理

作者 PulseAugur 编辑部 · [1 个来源] · 2026-04-23 16:32

研究人员引入了一个新的扩散模型框架，该框架整合了因果结构，使其能够进行因果分析。这种因果编码扩散模型可以近似观测分布，并通过操纵有向无环图中的特定变量来促进干预采样。该框架还包括一种新颖的基于重采样的测试，用于识别因果图中的有向边，并对分布估计和边缘测试的误差控制提供理论保证。初步模拟以及在流式细胞术数据上的应用表明，该方法在恢复干预分布和评估因果关系方面是有效的。 AI

影响增强了用于因果推理的扩散模型，可能为科学发现和数据分析带来新应用。

排序理由学术论文，介绍了一种用于扩散模型的新方法。

在 arXiv stat.ML 阅读 →

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

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Wei Pan · 2026-04-23 16:32

Causality-Encoded Diffusion Models for Interventional Sampling and Edge Inference

Standard diffusion models are flexible estimators of complex distributions, but they do not encode causal structures and therefore do not by themselves support causal analysis. We propose a causality-encoded diffusion framework that incorporates a known directed acyclic graph by …

报道来源 [1]

Causality-Encoded Diffusion Models for Interventional Sampling and Edge Inference

相关实体

相关话题