Estimating a directed tree for extremes
从极端数据估计指向根节点的有向树AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究由极端数据恢复有向网络拓扑，直接对应网络结构方法，但未提供金融风险应用依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
从极端数据估计指向根节点的有向树
- 研究问题
- 如何从极端观测中恢复指向根节点的生成树，例如利用多个测站的极端流量识别河流网络，并分析估计方法的可靠性？
- 方法与思路
- 作者利用最大线性贝叶斯网络的定性特征构造算法，估计二元得分后输出指向根节点的生成树，并在带噪声模型下分析一致性。
- 材料陈述的贡献
- 摘要称证明了估计量在带噪声最大线性贝叶斯网络模型下的一致性，报告基准与新数据上的良好表现，并以小型模拟考察局限。
- 阅读关注点
- 应核对二元得分定义、树结构与噪声假设、极端观测筛选方式，以及模型中的因果含义、一致性条件和模拟所揭示的失败情形。
- 阅读边界
- 仅据所给 Crossref 摘要；噪声条件和性能数值未说明。模型用于描述极端因果关系，不足以证明任意实际网络中的因果方向可被识别。
原文摘要
Abstract We propose a new method to estimate a root-directed spanning tree from extreme data. Prominent example is a river network, to be discovered from extreme flow measured at a set of stations. Our new algorithm utilizes qualitative aspects of a max-linear Bayesian network, which has been designed for modelling causality in extremes. The algorithm estimates bivariate scores and returns a root-directed spanning tree. It performs extremely well on benchmark data and on new data. We prove that the new estimator is consistent under a max-linear Bayesian network model with noise. We also assess its strengths and limitations in a small simulation study.