arXiv cs.LG· Robin Francis, Sundeep Prabhakar Chepuri·· 7 小时前AI 评分12
节点异质重尾扰动下的 DAG 结构学习：节点可变 Student-t DAGMA
DAG Structure Learning with Node-Varying Heavy-Tailed Disturbances
AI 导读
研究者提出节点可变 Student-t DAGMA，在 DAGMA 的对数行列式无环约束基础上，联合估计图结构、各节点扰动尺度与自由度参数，并通过高斯尺度混合表示得到迭代重加权形式以降低大标准化残差的权重。该方法还建立了图与扰动参数的可识别性，合成实验显示在异质重尾扰动下结构恢复更优，真实金融数据上的测试负对数似然低于所评估的基线。
来源：arXiv cs.LG · arxiv.org