预印本前沿

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。; 预印本来自 arXiv 计量经济学及相关统计、金融分类和主题检索。主题检索从 2021 年起回补；关注作者追溯更早年份，部分历史文献按已核验编号补录。收录不表示通过同行评审，仍可能遗漏。; 本库首次提交范围：2004-06-23 — 2026-10-14。
阅读范围: 默认显示本库全部预印本。可选“优先阅读”：至少一位作者同时满足有可核验的本站覆盖期刊正式发表记录，且 OpenAlex 总引用超过 1,000 次。按同一作者身份匹配，两项缺一不可。此筛选提供阅读线索，不作为论文质量判断。
日期与排序: 默认按最近修订排序；年份和日期筛选使用首次提交时间。同一 arXiv 编号的修订会合并。仅有月份或年份时，日期区间相交也会纳入。
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 04:50

1 篇论文

导出

BibTeX ↓RIS ↓RSS 订阅 ↗

From Observations to Causations: A GNN-based Probabilistic Prediction Framework for Causal Discovery

Rezaur Rashid · Gabriel Terejanu首次提交 2025-07-27 · 修订 2025-07-27 · v1arXiv预印本

从观察到因果：基于图神经网络的概率化因果发现框架AI 解读

Causal discovery from observational data is challenging, especially with large datasets and complex relationships. Traditional methods often struggle with scalability and capturing global structural information. To overcome these limitations, we introduce a novel graph neural network (GNN)-based probabilistic framework that learns a probability distribution over the entire space of causal graphs, unlike methods that output a single deterministic graph. Our framework…

微观 · 因果推断机器学习与 DML

被引：暂无数据

AI 解读阅读原文 ↗BibTeX ↓