DAG 相关 AI 资讯 · AI 热点

8月6日

09:27

09:27

官方账号arXiv cs.LG@Shrenik Zinage

SVI-DAG是一种基于结构化变分推断的贝叶斯因果发现方法，利用归一化流建模边之间的依赖关系。该方法通过斯坦变分梯度下降更新节点势，并使用无环性空间中的核函数缓解ELBO优化中的模式寻求行为。在5种先进的贝叶斯DAG学习方法对比中，SVI-DAG在不确定性量化上表现更优，同时结构精度保持竞争力。该方法还支持将领域知识作为归纳偏置纳入搜索过程。

论文 SVI-DAG 贝叶斯因果发现变分推断

推荐理由：论文提出SVI-DAG，用归一化流建模边依赖，在贝叶斯DAG学习里不确定性量化赢过5个基线，结构精度也没落下。

7月13日

11:40

11:40

官方账号arXiv cs.LG@Federico L. Perlino, Oliver Hamelijnck, Adam M. Johansen, Theodoros Damoulas

该论文提出将深度高斯过程（DGP）扩展到有向无环图（DAG）上，用于建模函数组合结构。理论分析了DGP的先前塌缩行为，并证明在图深度渐近频率中输入区分性保持的几乎必然下界，适用于宽核类。提出了保持图依赖和组合不确定性的结构化变分近似，能捕捉碰撞器的解释性效应。在蛋白信号网络、多保真重离子碰撞模拟等任务上达到SOTA，同时恢复低保真贡献并实现模拟器层次的可解释性。

论文 Deep Gaussian Processes DAG 因果建模

推荐理由：这篇论文把深度高斯过程自然地拓展到有向无环图，理论证明很漂亮，而且在蛋白网络和重离子碰撞模拟上跑赢了现有方法，值得搞因果建模或不确定性量化的朋友细读。

6月5日

13:04

13:04

官方账号arXiv 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

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。