NOTEARS-MLP Algorithm
PulseAugur coverage of NOTEARS-MLP Algorithm — every cluster mentioning NOTEARS-MLP Algorithm across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
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。
-
新的幂律图注意力通过学习算子泛化SDPA
研究人员引入了一种名为幂律图注意力（PLGA）的新型注意力机制，它通过使用学习到的、由输入生成的双线性算子来泛化缩放点积注意力（SDPA）。这种新架构在论文中进行了详细介绍，并与参考版本进行了验证，它用应用于正张量的逐元素幂律取代了固定形式。这项工作包括了推理崩溃定理和测量不变性，表明精确的输入不变性可以导致具有常数算子的广义SDPA。部分核心组件的证明已使用Lean 4编程语言进行了机器检查。
-
新的因果发现方法应对隐藏混淆和偏差 · 跟踪 4 个来源
研究人员开发了从观测数据中发现因果关系的新方法，解决了隐藏混淆和结构偏差等挑战。一篇论文介绍了 StruBI，一种通过分析因果机制转移来识别结构偏差的算法，在合成数据和真实世界数据上的表现优于现有方法。另一种方法 FoundCause 是一个在合成数据上训练的摊销因果发现模型，可以单次传递将数据集映射到因果图，明确地对潜在混淆进行建模，并在各种数据集上取得了优异的结果。此外，一个名为 Balanced Twins 的框架解决了隐藏混淆…