热点事件持续更新
Graph-Split Bayesian Causal Forest用于空间异质处理效应估计
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
2026-09-30，arXiv·Statistics Machine Learning发表一手研究，提出Graph-Split Bayesian Causal Forest（GSBCF）。该方法将图分裂贝叶斯加法回归树（GS-BART）与贝叶斯因果森林倾向得分回归框架结合，用于空间异质性因果推断；通过图引导分裂规则建模空间混淆，并开发高效有信息提议采样算法实现后验计算。模拟与真实数据实验显示，估计精度与不确定性量化均优于现有因果BART方法。
AI 根据报道生成 · 2 小时前更新
最新进展9月30日 12:00
2026-09-30 arXiv论文发布，GSBCF方法提出并验证优于现有因果BART方法。报道时间线
沿着报道，了解事件的不同侧面。
9月30日
- arXiv · Statistics Machine LearningGraph-Split Bayesian Causal Forest（GSBCF）用于空间异质性处理效应估计
论文提出 Graph-Split Bayesian Causal Forest（GSBCF），将图分裂贝叶斯加法回归树（GS-BART）与贝叶斯因果森林倾向得分回归框架结合，用于空间异质性因果推断。通过图引导分裂规则建模空间混淆，并开发高效有信息提议采样算法实现后验计算。模拟和真实数据实验表明，估计精度和不确定性量化均优于现有因果 BART 方法。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。