Статистические данные > Машинное обучение [представлено 8 октября 2026 года] Название: Score-Peating of Cluster DAGs from Active View PDF HTML (экспериментальное) Резюме: Графические подходы к причинно-следственной абстракции трансформируют низкоуровневый ациклический график (DAG) по многим измеренным переменным в более мелкие высокоуровневые DAg, узлы которых объединяют первоначальные переменные и чьи края резюмируют причинную связь между кластерами. Такие кластерные DAG легче интерпретировать, но для их изучения требуется найти группы и восстановить границы между ними. Madaleno et al. (2026) изучают ритм вмешательства (кластер DAG, который объединяет переменные, которые вмешательство не может отличить), на двух этапах ограничения: сначала кластеры, затем края. Мы внедряем COARSE, первый метод оценки для этой задачи: он сохраняет двухфазную структуру, но при линейных допущениях Гауссиан меняет фазу ограничительного края на стадию баллов. Мы показываем, что сами меры вмешательства определяют причинно-следственный порядок в отношении кластеров, и изучение краев сокращается до единого местного поиска по каждому блоку с учетом результатов БИК на уровне тематических блоков. Мы доказываем, что эта процедура осуществляется в течение полиномного времени и при условии правильного выявления переменных, затронутых каждым вмешательством, она является последовательной. Что касается синтетических и реальных данных о вмешательстве, то COARSE соответствует самым современным методам…
Учеба на базе тематических ПРГ с учетом принимаемых мер
arXiv: 2610.11947v1 Annualce Type: новый резюме: Графические подходы к причинно-следственной абстракции трансформируют низкоуровневый ациклический график (DAG) по многим измеренным переменным в более мелкие высокоуровневые DAG, узлы которых сгруппировали первоначальные переменные и чьи края резюмировали причинную связь между кластерами. Такие кластерные DAG легче интерпретировать, но для их изучения требуется найти группы и восстановить границы между ними. Madaleno et al. (2026) изучают ритм вмешательства (кластер DAG, который объединяет переменные, которые вмешательство не может отличить), на двух этапах ограничения: сначала кластеры, затем края. Мы внедряем COARSE, первый метод оценки для этой задачи: он сохраняет двухфазную структуру, но при линейных допущениях Гауссиан меняет фазу ограничительного края на стадию баллов. Мы показываем, что сами меры вмешательства определяют причинно-следственный порядок в отношении кластеров, и изучение краев уменьшается до единого местного поиска на одну клейму.
