Dagmar
PulseAugur coverage of Dagmar — every cluster mentioning Dagmar across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的DAG学习方法处理非高斯扰动
研究人员开发了一种新的有向无环图（DAG）结构学习方法，解决了现有模型假设高斯扰动的局限性。所提出的节点变化的Student-t DAGMA联合估计图结构、单个节点扰动尺度和自由度。该方法利用高斯尺度混合表示进行迭代重加权公式，有效处理大的标准化残差，从而在合成实验中提高结构恢复能力，并在真实金融数据上表现更好。
-
新算法改进混合变量数据集中的因果发现
研究人员开发了在有向无环图（DAG）中进行因果发现的新方法，特别是针对包含有序、计数和连续变量混合的数据集。该论文证明了对于通用参数值，有序和指数族节点之间的边方向是可识别的，扩展了先前的发现。为了处理更大的图，该研究引入了一个基于分数的穷举搜索和一个利用DAGMA的掩码连续优化框架，数值结果验证了理论上的进步。
-
新的 SURE-Ridge 方法推进了线性高斯有向无环图中的因果发现
研究人员开发了 SURE-Ridge，这是一种新颖的非迭代估计器，用于等方差线性高斯结构方程模型中的因果发现。该方法使用由 Stein 无偏风险估计 (SURE) 选择的自适应正则化参数和自适应阈值程序来提取有向无环图 (DAG)。SURE-Ridge 在小样本情况下表现出卓越的性能，实现了最低的结构汉明距离，并且与 NOTEARS、DAGMA 和 GBNSL 等现有方法相比，运行时间更快。
-
新研究探讨LLM在因果发现中的可靠性及新统计方法
研究人员正在探索新的方法，利用大型语言模型（LLMs）和统计技术来评估和改进因果发现。一项研究发现，LLMs 预测的因果图通常过于密集，且过度自信，这表明它们更适合作为软因果先验的来源，而不是因果结构的直接证据。另一篇论文介绍了一种非迭代估计器 SURE-Ridge，用于线性高斯 SEM，该估计器在样本受限和计算受限的情况下表现良好。此外，一种新方法使用变分推理来联合发现潜在集群和因果结构，而另一种方法提出了一种名为 Leave-On…
-
新框架推动因果发现超越平滑有向无环图精确性
研究人员开发了一个新的理论框架，用于理解因果发现中的支持选择，超越了简单的无环性约束。该工作引入了完备几何和得分边际等概念来分析结构学习算法的表现。使用 NOTEARS 和 DAGMA 算法进行的实验验证了理论预测，证明了无事实分离统计量在预测选择时间和认证因果标签方面的有效性。