论文提出缺失数据下因果图可辨识性条件与ANM算法
热点事件持续更新
论文提出缺失数据下因果图可辨识性条件与ANM算法
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Matteo Ceriscioli 等在 arXiv 发布论文，将因果图可识别性结果从完整数据推广到包含 MNAR 在内的多种缺失机制情形。基于论文摘要，在无未观测混杂的条件下，若缺失机制之间不发生因果作用、变量不直接导致自身缺失，且缺失机制满足 faithfulness 或服从广义线性模型，因果图仍可从可用数据分布唯一确定。 作者还为加性噪声模型（ANM）提出两种渐近正确算法，用于恢复因果图并获得一致的参数估计。该结果为论文作者声称，本摘要基于论文摘要，未核验全文。
AI 根据报道生成 · 3 小时前更新
最新进展10月15日 12:00
因果发现研究将可识别性结果推广至缺失数据情形报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv · cs.AI因果发现研究将可识别性结果推广至缺失数据情形
研究者将因果图可识别性从完整数据推广到多种缺失机制设置。基于论文摘要，在无未观测混杂条件下，缺失机制不与因果过程相互作用、变量不直接导致自身缺失，且满足faithfulness或广义线性模型条件时，因果图仍可识别。作者还为加性噪声模型提出两种渐近正确算法，用于恢复因果图并获得一致的参数估计。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 1010月15日 13:00
- 近 24 小时变化
- –
02.557.510
13:0014:0015:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。