.png){kind=icon}
返回
Causality in Categorical Data Using Geometric Complexity
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-10486-1_26.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
从观测数据中发现因果关系是一项基础但具有挑战性的任务。尽管在连续数据的成对因果发现方面取得了显著进展，但专门针对分类数据的方法仍然有限。本文介绍了一种基于几何复杂度的新颖方法，通过有效近似分类变量的传输长度来填补这一空白。受加性噪声模型原理启发，我们的方法比较各潜在因果方向上的编码长度——遵循奥卡姆剃刀原则，编码更简单的方向被推断为因果关系。此外，我们提出了一种广义非功能变体，放宽了独立噪声假设，转而寻找最可压缩的条件分布。在合成数据集、基准数据集和真实世界数据集上的实验表明，我们的方法能够持续达到或超越当前最佳替代方法。
Keyword:
Causal discovery
Categorical data
Geometric complexity
期刊
I
IF:
0
论文数:
50
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏 没有更多内容
没有更多内容