实体
Granger
Granger
PulseAugur coverage of Granger — every cluster mentioning Granger across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
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 3 条
-
新框架和库推动复杂时间序列因果发现
两篇新研究论文介绍了用于复杂时间序列因果发现的先进方法。第一篇论文提出了一个新颖的框架，在Transformer架构中使用反向因果自注意力机制来识别潜在和间接的因果关系，在各种数据集上表现优于现有方法。第二篇论文提出了Causal-TS，一个开源Python库，整合了多种因果发现算法，并包含处理非平稳数据和结构性断裂的功能，旨在为因果效应估计提供端到端流程。
-
开发了新的分布格兰杰因果关系框架
开发了一个新的分布格兰杰因果关系框架，该框架超越了条件均值，用于分析时间序列中的预测依赖性。这种方法考虑了诸如尺度、尾部行为和不对称性等分布特征，这些特征在高斯环境之外至关重要。该框架通过通道特定限制来识别因果内容，并引入了一种自适应顺序测试程序，该程序使用 alpha 投资机制来控制家族错误率。
-
研究发现 Mamba 预测瓶颈未能发现因果结构
一篇新的研究论文挑战了 Mamba 等模型中的预测瓶颈能够固有地发现因果结构的观点。由 Aman Chadha 进行的一项研究发现，尽管早期实验暗示了这种能力，但更严格的伪造基准测试显示，像线性瓶颈这样的简单方法，甚至 PCMCI 和 Granger 因果关系等经典技术，表现同样好或更好。该论文强调，预测瓶颈在因果发现中的感知优势很大程度上是由于样本量混淆和非标准干预方案，而不是架构的内在属性。