10:35arXiv cs.LG@Nguyen Linh Dan Le该论文提出BN-LTE(贝叶斯网络与潜在时间嵌入)框架,用于阿尔茨海默病进展的阶段感知因果建模。模型从基线生物标志物图像估计疾病伪时间,并依据AT(N)级联顺序约束有向依赖。在ADNI数据上,BN-LTE在tau蛋白扩散的空间重建上优于多个预测基线。模型识别出中伪时间窗口的淀粉样蛋白敏感性,并通过g-formula对比、AIPW和鲁棒性分析验证。代码已在GitHub公开。论文BN-LTE阿尔茨海默病贝叶斯网络AT(N)级联ADNI推荐理由:这篇论文用贝叶斯网络模拟阿尔茨海默病的AT(N)级联,比黑箱预测更可解释。它从ADNI数据中找到了tau扩散的关键时间窗,对神经影像研究有参考价值。原文
13:04arXiv cs.LG@Hazhir Aliahmadi, Irina Babayan, Greg van Anders精选传统贝叶斯网络通过优化生成有向无环图(DAG)来建模因果关系,但真实数据常允许多种因果链,导致优化结果可能包含伪影。本文提出基于熵推断的方法,生成与数据一致的因果图谱集(causal atlases),量化因果关系的结构模糊性。在2节点和20节点的线性结构方程模型模拟噪声数据上,该方法采样最大熵图集,发现“最优”DAG中存在不一致的因果伪影。这为数据驱动的因果发现提供了更忠实于数据变异的框架。论文因果推断贝叶斯网络熵推断DAG结构模糊性推荐理由:因果发现领域长期依赖单一最优DAG,但真实数据往往支持多种解释——这篇论文用熵推断解决了这个痛点,做因果推断或复杂系统建模的研究者值得关注,方法可直接用于评估因果结构的稳健性。原文