پژوهش
CausalGrade؛ روشی برای امتیازدهی به گراف‌های علّی بدون دانستن ساختار واقعی
پژوهشگران روشی مبتنی بر مدل احتمالاتی Jev معرفی کرده‌اند که ساختار یک گراف علّی پیشنهادی را با قضاوت‌های احتمالاتی دربارهٔ یال‌های مستقیم می‌سنجد.
ارزیابی کیفیت ساختاری گراف‌های علّی زمانی دشوار است که ساختار علّی واقعی در دسترس نباشد. مقاله‌ای در arXiv روش CausalGrade را برای این کار پیشنهاد می‌کند؛ روشی که از مدل قضاوت احتمالاتی Jev بهره می‌گیرد.
CausalGrade شواهد مربوط به ارتباط، وابستگی شرطی و جهت‌داری را از داده‌های مشاهده‌ای، همراه با احتمال یال‌هایی که مدل پایهٔ کشف علّی CDFM تولید می‌کند، در اختیار Jev می‌گذارد. Jev سپس دربارهٔ وجود یال‌های علّی مستقیم قضاوت احتمالاتی می‌کند و امتیاز کل گراف از میزان هم‌خوانی ساختار مجاورت گراف مورد ارزیابی با این قضاوت‌های یال‌به‌یال به دست می‌آید.
در چکیدهٔ مقاله آمده است که روش روی ۳۰۰ مجموعه‌دادهٔ مصنوعی ارزیابی شده است؛ اما بخش در دسترس از چکیده نتیجهٔ این ارزیابی را کامل بیان نمی‌کند. این مقاله نسخهٔ پیش‌چاپ است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده