跳到正文

论文检索

全库检索
收录说明
收录范围
保留计量方法研究、相关统计基础，以及实质涉及计量方法的应用、教程、比较和综述。书评、刊务及明确无关内容不公开；身份或相关性证据不足的记录保留待核，补充可靠材料后可重新判断。
当前期刊来源见下方官网链接及期刊目录。综合经济学与金融期刊逐篇筛查计量方向，证据不足时暂不公开。正刊、在线优先论文和已核实接收稿合并展示；按标题、可靠摘要、目录及身份匹配的出版社 JEL 分类核验相关性；计量类 JEL 与摘要相互印证，无 JEL 不直接排除。历史回补以可取得的注册题录和目录为准，不等于覆盖全部纸本。
日期与排序
默认按最近发表排序：正刊使用刊期，待刊使用上线日期；缺少上线日期时，排序参考登记或首次收录时间，并在卡片注明。更多筛选可选择出版状态和日期口径；卷期依据出版社元数据，不因待刊时间较长而推定已编入正刊。仅有月份或年份时，日期区间相交也会纳入。

日期精度：到日 1 篇 · 到月 0 篇 · 到年 0 篇

分类与引用
领域和方法依据题名、摘要初步分类，可人工修正；分类不代表论文质量。引用数采用 OpenAlex 单条关联记录，不合计版本。
更新与 AI 解读
正常题录、可靠摘要与引用同步继续；日、周、月简报按核实的发表与修订日期汇总，历史补录保留在文献库。AI 解读依据可靠摘要或已核实原文片段，已有解读保留供阅读参考；缺少可靠材料的条目保持待解读，浏览页面不会触发生成。

最近同步 10/16 00:33

1 篇论文
导出
BibTeX ↓RIS ↓RSS 订阅 ↗

Learning high-dimensional directed acyclic graphs with latent and selection variables

Diego Colombo · Marloes H. Maathuis · Markus Kalisch · Thomas S. Richardson刊期 2012-02-01 · 卷 40（1）The Annals of Statistics已编入正刊

存在潜在变量与选择变量时的高维有向无环图学习AI 解读

We consider the problem of learning causal information between random variables in directed acyclic graphs (DAGs) when allowing arbitrarily many latent and selection variables. The FCI (Fast Causal Inference) algorithm has been explicitly designed to infer conditional independence and causal information in such settings. However, FCI is computationally infeasible for large graphs. We therefore propose the new RFCI algorithm, which is much faster than FCI. In some situations…

微观 · 因果推断高维与机器学习
被引 256 次 ↗OpenAlex · 核验
AI 解读阅读原文 ↗BibTeX ↓