AdaPS-LiNGAM：小样本下线性非高斯无环模型的自适应前驱选择
Get the story
2026年10月8日，arXiv（Statistics Machine Learning，cs.LG / stat.ML）发布论文，提出 AdaPS-LiNGAM 方法。该方法针对 DirectLiNGAM 在变量数超过样本量时反复残差化必然退化的问题，用自适应选择的稀疏前驱子集从原始观测直接重构残差，并把同一子集选择原则用于最终剪枝。合成数据实验显示，该方法在样本受限场景下能准确恢复因果结构，且随样本量下降性能退化更平缓。论文已提交至 arXiv。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Statistics Machine LearningAdaPS-LiNGAM：小样本下线性非高斯无环模型的自适应前驱选择
提出 AdaPS-LiNGAM，针对 DirectLiNGAM 在变量数超过样本量时反复残差化必然退化的问题，用自适应选择的稀疏前驱子集从原始观测直接重构残差，并把同一子集选择原则用于最终剪枝。合成数据实验显示，该方法在样本受限场景下能准确恢复因果结构，且随样本量下降性能退化更平缓。论文已提交至 arXiv（cs.LG / stat.ML）。
Heat trend
Current heat 9·Comparable peak 10（Oct 8）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.