研究人员开发了一种新算法,即因果小引导袋(cBLB),使得因果推断中基于核的估计量的不确定性量化在计算上对于大型数据集是可行的。传统的引导方法难以应对现代数据的规模,例如美国出生率数据集中的 360 万条记录。这种新方法结合了子采样和重采样,在保持准确的不确定性量化和覆盖率的同时实现了可扩展性,这在估计吸烟对出生体重的影响的模拟和实际应用中得到了证明。 AI
影响 这项研究提高了因果推断方法的可扩展性,因果推断是理解复杂数据中因果关系的基础,可能影响 AI 模型开发和评估。
排序理由 详细介绍新统计方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]
- causal Bag of Little Bootstraps
- Kernel Support Vector Machines
- Kosko et al.
- Matthew Kosko
- National Vital Statistics System
- U.S. Natality data
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →