CausalGrade 提出基于证据的因果图评分方法

Jiangming Zhong 等作者提出 CausalGrade，利用概率判断模型 Jev 对候选因果图进行评分，以评估图结构质量。该方法结合观测数据中的关联、条件依赖和方向性证据，以及因果发现基础模型（CDFM）生成的边概率，为候选因果图提供综合评分。 在 300 个合成数据集上，CausalGrade 在 4 种因果发现算法与 5 种变量数量组合构成的 20 种设置中，均表现出评分与结构误差之间较强的负相关。在 500 次合成图选择任务中，其最佳候选图命中率为 54.4%，高于自兼容性指标 κ_G 的 48.4%。这些结果表明，该方法在合成实验中具有候选因果图筛选能力。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。