arXiv 机器学习· Ujas Shah, Panagiota Birmpa, Rebecca Morrison·· 15 小时前AI 评分29
基于条件风险学习非高斯 SEM 及其递归方向的重要性
Learning Non-Gaussian SEMs with Conditional Risk, and Why the Direction of Recursion Matters
AI 导读
研究人员提出将条件方差替换为噪声分布负对数似然下的条件风险，从而将基于方差的线性结构方程模型（SEM）学习方法拓展至非高斯噪声。该匹配损失方法在结构恢复精度上优于现有的最小二乘方法和 LiNGAM 方法。研究还发现自顶向下方法对所有具有有限微分熵的噪声密度均有效，而自底向上方法需要正则性条件，在零均值指数或柯西噪声下可能失效。
来源：arXiv 机器学习 · arxiv.org