实体
Causal Bayesian Networks
Causal Bayesian Networks
PulseAugur coverage of Causal Bayesian Networks — every cluster mentioning Causal Bayesian Networks across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新算法为时间序列分析提供严格的因果解释
研究人员开发了一种名为因果化格兰杰因果关系（c-GC）的新算法，为格兰杰因果关系（GC）提供更严格的因果解释。该更新方法使用因果贝叶斯网络和赖欣巴赫原理重新解释了GC，解决了对GC缺乏牢固因果基础的批评。c-GC算法已在理论和图示上得到验证，并在合成数据上显示出在观测数据集因果发现方面的潜力。
-
新方法增强了贝叶斯因果发现对复杂、异构数据的处理能力
研究人员开发了一种新的贝叶斯因果发现方法，该方法可以将专家知识纳入异构领域。该方法通过允许因果贝叶斯网络的混合，而不是假设单一因果图，扩展了先前的工作。所提出的变分混合结构学习方法成功地推断出这些混合，并在有专家反馈的情况下提高了结构学习性能，这在合成数据和乳腺癌数据库上得到了证明。