.png){kind=icon}
返回
CausalMorph: Preconditioning data for linear non-Gaussian acyclic models
.png){kind=icon}
OA
AI
DOI：10.1016/j.knosys.2026.115773.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 介绍CausalMorph算法，一种将观测数据投影到线性非高斯无环模型（LiNGAM）假设域的三阶段算法。
• 将CausalMorph应用于17,280种独特数据配置，使下游DirectLiNGAM的Structural Hamming Distance（SHD）相对显著降低了37.7%（p < 0.001）。
• 发现存在正则化效应的证据，即使在理想的LiNGAM条件下，因果发现精度也有所提升，表明缓解了有限样本偏差。
• 提供了数据投影作为扩展LiNGAM框架适用性的实用策略的证据。
Keyword:
Causal discovery
LiNGAM
Data preconditioning
Assumption violation
CausalMorph
Causal inference
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
.png){kind=icon}
没有更多内容