HOST
一种用于高斯有向无环图（DAG）结构学习的算法，采用逐节点留出评分与凸回归替代传统子集搜索，无需先验入度上界，在多项式时间内达到d log p量级的样本复杂度，旨在弥合统计-计算鸿沟
时间轴 (近 90 天)
HOST算法用逐节点的留出评分配合凸回归来取代传统方法中昂贵的子集搜索，并且无需外部提供入度上界
HOST算法由arXiv论文（arXiv:2610.02785v1）提出，用于高效学习高斯DAG
恢复正确的变量排序并不需要排序分数的估计误差处处都很小，而只需要对这些误差进行单边控制
使用留出样本进行分数估计时，排序分数在期望意义上会被抬高，而这种抬高发生在尚不应被选入的候选节点上，偏差方向有利于正确排序
HOST在确定排序后，通过递归地从两节点间的总效应中剥离间接效应来恢复每个节点的父节点集合
在适当条件下，HOST能够以d·log p量级的样本复杂度在多项式时间内精确恢复含p个节点、最大入度为d的DAG
d·log p样本复杂度是过去依赖子集搜索的尖锐方法所具备的优势量级，HOST在不牺牲多项式运行时间的前提下达到了该水平
实验报告HOST在图恢复质量上与现有方法具有竞争力，同时在运行时间的扩展性上表现更优
HOST论文中的保证建立在适当条件之上，算法对高斯假设偏离时的鲁棒性仍需进一步探索
在结构学习任务中，精心设计的方向可控的估计偏差有时比追求无偏或一致小误差更有用
全部知识事实 (10)
HOST算法用逐节点的留出评分配合凸回归来取代传统方法中昂贵的子集搜索，并且无需外部提供入度上界
50%待验证HOST算法由arXiv论文（arXiv:2610.02785v1）提出，用于高效学习高斯DAG
50%待验证恢复正确的变量排序并不需要排序分数的估计误差处处都很小，而只需要对这些误差进行单边控制
50%待验证使用留出样本进行分数估计时，排序分数在期望意义上会被抬高，而这种抬高发生在尚不应被选入的候选节点上，偏差方向有利于正确排序
50%待验证HOST在确定排序后，通过递归地从两节点间的总效应中剥离间接效应来恢复每个节点的父节点集合
50%待验证在适当条件下，HOST能够以d·log p量级的样本复杂度在多项式时间内精确恢复含p个节点、最大入度为d的DAG
50%待验证d·log p样本复杂度是过去依赖子集搜索的尖锐方法所具备的优势量级，HOST在不牺牲多项式运行时间的前提下达到了该水平
50%待验证实验报告HOST在图恢复质量上与现有方法具有竞争力，同时在运行时间的扩展性上表现更优
50%待验证HOST论文中的保证建立在适当条件之上，算法对高斯假设偏离时的鲁棒性仍需进一步探索
50%待验证在结构学习任务中，精心设计的方向可控的估计偏差有时比追求无偏或一致小误差更有用
50%