English(EN) A Gradient-based Causal Discovery Framework with Applications to Complex Industrial Processes

新的GRNGC框架增强了复杂工业过程中的因果发现能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-17 04:00

研究人员开发了一个新的基于梯度的因果发现框架，名为GRNGC，旨在克服现有基于神经网络的Granger因果模型中的局限性。GRNGC通过使用单一时间序列预测模型而非分量模型来降低计算成本，并通过将L1正则化应用于模型输入和输出之间的梯度来增强对复杂交互的捕捉能力。这个灵活的框架可以与KAN、MLP和LSTM等各种架构实现，并在多个基准数据集（包括DREAM和CausalTime）以及真实世界的基因调控网络数据集上展示了卓越的性能和降低的开销。 AI

影响引入了一种计算效率更高、更灵活的因果发现方法，有望改善基因调控网络等复杂系统中的应用。

排序理由介绍新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 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: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 介绍新方法的学术论文。[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, infra; 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: 116 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Meiliang Liu, Huiwen Dong, Xiaoxiao Yang, Yunfang Xu, Mingbao Yang, Zijin Li, Zhengye Si, Xinyue Yang, Zhiwen Zhao · 2026-06-17 04:00

一种基于梯度的因果发现框架及其在复杂工业过程中的应用

arXiv:2507.11178v3 Announce Type: replace-cross Abstract: With the advancement of deep learning technologies, various neural network-based Granger causality models have been proposed. Although these models have demonstrated notable improvements, several limitations remain. Most e…

本文如何被排名

报道来源 [1]

一种基于梯度的因果发现框架及其在复杂工业过程中的应用

相关实体

相关话题