Testing Directed Acyclic Graph via Structural, Supervised and Generative Adversarial Learning
结合结构学习、监督学习与生成对抗学习检验有向无环图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：摘要描述通用DAG检验与脑连接应用，未明确经济网络干扰或因果识别任务，现有证据不足以选择领域细分。
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…
关注这篇论文的作者
结合结构学习、监督学习与生成对抗学习检验有向无环图
- 研究问题
- 面对变量之间的非线性关联和时间依赖观测，如何为有向无环图提供假设检验，而不局限于线性或加性模型？
- 方法与思路
- 作者基于灵活的神经网络学习器构造DAG检验，并在受试者数或每名受试者的时间点数趋于无穷的框架下研究保证。
- 材料陈述的贡献
- 摘要称，新检验允许非线性关联与时间依赖数据，具有渐近理论保证，并通过模拟和脑连接网络分析展示效果。
- 阅读关注点
- 应核对实际检验的零假设、图结构与神经网络各自承担的角色、时间依赖条件，以及不同渐近框架下的有效性要求。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未说明具体零假设、识别条件或误差控制形式，不能直接赋予因果解释或推断刊本变化。
原文摘要
In this article, we propose a new hypothesis testing method for directed acyclic graph (DAG). While there is a rich class of DAG estimation methods, there is a relative paucity of DAG inference solutions. Moreover, the existing methods often impose some specific model structures such as linear models or additive models, and assume independent data observations. Our proposed test instead allows the associations among the random variables to be nonlinear and the data to be time-dependent. We build the test based on some highly flexible neural networks learners. We establish the asymptotic guarantees of the test, while allowing either the number of subjects or the number of time points for each subject to diverge to infinity. We demonstrate the efficacy of the test through simulations and a brain connectivity network analysis.