缺失数据下因果图可识别性条件与算法
热点事件持续更新
缺失数据下因果图可识别性条件与算法
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
Matteo Ceriscioli 等作者发表论文，提出因果图在多种缺失机制（包括非随机缺失 Missing Not At Random）下仍可识别的通用充分条件：缺失机制之间无因果交互、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。 基于这些条件，论文提出两种渐近正确的 Additive Noise Models（ANMs）算法，称可恢复潜在因果图，并给出相合的参数估计。
AI 根据报道生成 · 1 小时前更新
最新进展10月15日 12:00
因果发现的可识别性结果如何从完整数据推广到缺失数据场景报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv：cs.LG因果发现的可识别性结果如何从完整数据推广到缺失数据场景
研究给出因果图在多种缺失机制（含 Missing Not At Random）下仍可识别的通用充分条件：缺失机制之间无因果交互、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。基于此提出两种渐近正确的 Additive Noise Models（ANMs）算法，可恢复潜在因果图并给出相合参数估计。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。