统计与数据科学学院 报道
近日，南京审计大学统计与数据科学学院讲师周灿、李南，联合黑龙江科技大学讲师王帅、东北师范大学教授王晓飞及北京工商大学教授郭建华，共同完成的学术论文“Learning Semi-parametric Tree Models from Mixed Data” 已在线发表于人工智能领域顶级期刊Artificial Intelligence (AIJ)。
该研究聚焦于混合数据情形下的半参数树模型学习问题。在实际应用中，数据通常同时包含连续变量与有序变量，例如医疗诊断中的体征指标与疾病分级、金融风控中的连续评分与等级标签等。然而，现有多数结构学习方法主要针对纯连续或纯离散数据设计，难以有效刻画混合数据中的层次结构并识别隐变量。针对上述挑战，研究团队提出了一种新颖的半参数树模型框架。该模型基于高斯copula 与阈值化机制，实现了对连续变量与有序变量的统一建模。在结构学习方面，团队进一步设计了一种基于可加信息距离的自底向上算法，用于递归恢复树结构。理论分析表明，在真实信息距离已知的理想情形下，所提出算法可精确恢复真实树结构，且计算复杂度为
此外，论文还建立了算法的概率近似正确性，并给出了实现精确结构恢复所需的有限样本界。
论文信息：
Can Zhou, Nan Li, Shuai Wang, Xiaofei Wang & Jianhua Guo (2026). Learning semi-parametric tree models from mixed data. Artificial Intelligence, 353, 1-25. https://doi.org/10.1016/j.artint.2026.104499.
