SPADE：样条评分加速非线性因果发现

Hendrik Suhr、Sascha Xu 与 Jilles Vreeken 提出 SPADE，一种基于样条的评分评估方案，用于非线性因果发现：它一次性编译充分统计量并在组合搜索中反复复用，以缓解组合方法因重复局部评分导致的效率瓶颈。作者称，在入度有界的条件下，其高斯变体把算法复杂度从 O(nd^3) 降到 O(nd^2+d^3)。 据该研究，SPADE 能在数秒内求解 10 万样本、100 变量的问题，在数分钟内求解 2500 样本、1600 变量的问题，并在合成与真实基准上保持较高的结构准确度。研究同时比较了可微结构学习、摊销结构学习、score-matching 与组合搜索四类方法：可微与摊销方法扩展性好但精度有差距，score-matching 在高维下迅速退化，组合方法精度高但受重复局部评分拖累。

AI 根据报道生成 · 55 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。