跳到正文
热点事件持续更新

arXiv发布因果发现新论文Loscar

1 篇报道1 个报道来源16 小时前更新

先了解这件事

AI 综述

2026年10月21日，研究团队Daniel Klippert等人向arXiv提交论文《Loscar: Residual-Based Causal Discovery via Pretrained In-Context Quantile Regression》。 该研究提出Loscar框架，将RESIT扩展至位置尺度噪声模型，通过分位数回归来估计条件均值与尺度，从而将预训练表格基础模型作为即插即用估计器用于因果发现。 根据论文摘要，Loscar在多变量因果发现基准测试中表现优于可行广义最小二乘（FGLS）变体，该方法尤其针对多变量原因场景展现出更优效果。

AI 根据报道生成 · 13 小时前更新

最新进展10月22日 12:00
Loscar：基于预训练上下文分位数回归的残差因果发现框架

报道时间线

沿着报道，了解事件的不同侧面。

10月22日
  1. arXiv · ML
    Loscar：基于预训练上下文分位数回归的残差因果发现框架

    研究提出 Loscar，将 RESIT 框架扩展至位置尺度噪声模型（LSNMs），通过分位数回归估计条件均值与尺度。该方法允许将预训练表格基础模型作为即插即用估计器，相比可行广义最小二乘（FGLS）变体，在多变量因果发现基准测试中表现更优，尤其针对多变量原因场景。

本事件热度走势

可比范围当前
7
可比范围峰值
910月22日 16:00
近 24 小时变化
–

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。