DeDicCa: Расширимая деконструктивная бессистемная генераторная модель
arXiv:2610.23272v1 Annualce Type: New Brieflow: Мы представляем DeDiCa, практическую основу для эффективного причинно-следственного вывода с дискретными переменными и скрытой путаницей, которая возвращает классическую вероятностную модель посредством насторизированной параметризации причинных сетей Байесов, что позволяет сделать вывод. Учитывая причинно-следственный график, DeDiCa обучается однажды данным наблюдений по максимальной вероятности, точно маргинализируя скрытые узоры и затем может оценить любой (прокси) поддающийся идентификации вмешательственный запрос. Несмотря на эту преднамеренно простую параметризацию, DeDiCa соответствует современным нейронно-следственным моделям в оценке ATE, поддерживая при этом обучение эффективному методу работы с памятью и точное вмешательство в течение миллисекунд. По сравнению с моделями причинно-следственной связи " ДеДиКа > более эффективно использует дополнительные пробы наблюдений и обеспечивает конкурентоспособную точность при значительно меньших сроках вывода и памяти. DeDiCa обеспечивает вращающееся, точное и масштабируемое приложение