精确因果结构学习加上团约束:不是普遍加速,收益取决于图密度与割管理
精确因果结构学习用混合整数规划求全局最优有向无环图,但分支切割搜索代价高。新工作在学习到的无向骨架上加最大团大小上界,在整数候选处用惰性环约束和团约束剔除局部过密子图。在静态线性高斯合成图上,团约束并未一致加速优化,收益取决于图密度、样本量和割管理策略;更紧的有效 Big-M 界在多数测试设置下缩小了固定预算最优性间隙。
精确因果结构学习用混合整数规划求全局最优有向无环图,但分支切割搜索代价高。新工作在学习到的无向骨架上加最大团大小上界,在整数候选处用惰性环约束和团约束剔除局部过密子图。在静态线性高斯合成图上,团约束并未一致加速优化,收益取决于图密度、样本量和割管理策略;更紧的有效 Big-M 界在多数测试设置下缩小了固定预算最优性间隙。
一个把因果图、熵压缩、注意力融合、对抗校准和联邦聚合串成一条流水线的入侵检测框架,在CICIDS2017上把检测准确率做到97.4%,同时把输入特征从78维压到18维。
该工作提出 SCOPE,一种将因果学习器(S、T、RA-learner)与基于遗憾的反向归纳相结合的处方过程监控方法,直接从观测事件日志学习跨多个决策点对齐的序列干预策略,无需构建 MDP 或做数据增强;在 SimBank 与基于 BPIC17_W 事件日志新建的半合成基准 SimBPIC17 上,SCOPE 在多数实验设置中优于 KMeans-Q 与 SEP-S 等基线,并随训练集增大和决策点增多而扩大优势。
已读完全部报道