热点事件持续更新
研究团队提出因果图评分方法CausalGrade
1 篇报道1 个报道来源17 小时前更新
先了解这件事
AI 综述
2026年11月2日，研究团队在arXiv发布因果图评分方法CausalGrade。该方法基于概率判断模型Jev，整合了观测数据证据与因果发现基础模型CDFM的边概率，旨在真实结构未知的情况下评估候选图的质量。实验结果显示，在300个合成数据集的全部20种算法与变量组合中，CausalGrade评分均与结构误差呈较强负相关；在500个图选择任务中，其最佳候选命中率达到54.4%，优于Self-Compatibility指标的48.4%。
AI 根据报道生成 · 17 小时前更新
最新进展11月2日 13:00
研究团队发布CausalGrade方法，用于真实结构未知时的因果图质量评估。报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv stat.MLCausalGrade：基于 Jev 的证据引导因果图评分方法
因果图评分方法 CausalGrade 基于概率判断模型 Jev，整合观测数据证据与因果发现基础模型 CDFM 的边概率，用于在真实结构未知时评估候选图质量。在 300 个合成数据集的全部 20 种算法与变量组合中，该评分均与结构误差呈较强负相关。在 500 个图选择任务中，其最佳候选命中率达到 54.4%，优于 Self-Compatibility 指标的 48.4%。
本事件热度走势
当前热度 6·可比范围峰值 10（11月2日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。