非高斯结构方程模型的条件风险学习与递归方向
原文标题：Learning Non-Gaussian SEMs with Conditional Risk, and Why the Direction of Recursion Matters
重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文指出基于条件方差的因果结构恢复方法可推广为条件风险，从而适用于非高斯噪声场景，最小二乘只是其特例。研究证明利用噪声分布可提升结构恢复精度，并发现高斯下可互换的 top-down 与 bottom-up 方法在非高斯噪声下出现分化，top-down 对任意有限微分熵噪声均正确。
- 问题
- 基于条件方差的因果结构恢复方法只适用于高斯噪声，非高斯场景受限。
- 方法
- 把条件方差推广为负对数似然下的条件风险，将 top-down 与 bottom-up 方法扩展到非高斯噪声。
- 结果
- 仿真显示匹配损失方法比最小二乘版本和 LiNGAM 恢复更准；top-down 对任意有限微分熵噪声均正确，bottom-up 在指数或柯西噪声下可能失效。
- 影响
- 非高斯数据做因果发现时应优先选 top-down 条件风险方法，避免沿用高斯下可互换的直觉。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。