跳到正文
热点事件持续更新

提出联合学习时序顺序与主导时滞的因果发现方法

1 篇报道1 个报道来源4 小时前更新

先了解这件事

AI 综述

Bruno Petrungaro 与 Anthony C. Constantinou 在 arXiv 论文中提出一种时间序列因果发现方法,可从数据中联合学习变量对的时序顺序与主导时滞,用于学习因果贝叶斯网络结构。 方法采用面向混合数据的可分解 BIC 风格评分,加入偏向近期时滞的惩罚项,并用带 change-lag 移动的 Tabu 搜索优化,支持缓存与并行邻域评估。论文称,在“无同期边”和“因果充分性”假设下,该方法可作为针对单条边进行单时滞优化的计算可行子程序,与基于评分的因果发现方法互补。

AI 根据报道生成 · 3 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月16日
  1. arXiv cs.AI
    变量时滞时间序列因果发现方法研究

    arXiv 论文提出一种从时间序列数据学习因果贝叶斯网络结构的方法,可联合学习变量对的时序顺序与主导时滞。方法采用面向混合数据的可分解 BIC 风格评分,结合偏向近期时滞的惩罚项,用带 change-lag 移动的 Tabu 搜索优化,支持缓存与并行邻域评估。

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。