.png){kind=icon}
返回
Learning Semi-parametric Tree Models from Mixed Data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.artint.2026.104499.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
涉及潜变量和结构的因果发现与表示在人工智能时代已引起日益增长的兴趣，特别是在理解真实世界数据方面发挥着关键作用。尽管许多现有方法仅专注于纯粹连续或纯粹离散数据，但本文解决了从混合数据学习潜结构的挑战。我们提出了一种新型半参数树模型，能够处理混合数据，并开发了利用加性信息距离学习该模型结构的算法。我们证明，在给定信息距离的情况下，该算法能够高效且准确地恢复真实结构。此外，结构学习算法的基于样本的版本实现了概率近似正确性，且为精确结构恢复建立了有限样本界。我们使用模拟数据和真实数据评估所提算法的性能，实验结果表明，该算法能有效发现混合数据背后的潜层次结构。
Keyword:
causal discovery
latent variables
mixed data
tree models
structural learning
期刊
A
IF:
4.6
论文数:
97
被引数:
1
机构
引用论文
REGULARIZED RANK-BASED ESTIMATION OF HIGH-DIMENSIONAL NONPARANORMAL GRAPHICAL MODELS高维非超自然图模型的正则化秩估计.png)
ANNALS OF STATISTICS
OAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏Exploratory latent structure analysis using both identifiable and unidentifiable modelsBiometrika
BiometrikaIF0
PREAI
分享收藏
查看更多内容