NOTEARS: Непрекъсната оптимизация за обучение на причинно-следствени структури
NOTEARS (No Tears: Acyclicity Regression Structure) е алгоритъм за обучение на причинно-следствени структури, представен от Zheng, Aragam, Ravikumar и Xing през 2018 г. на NeurIPS. Той преформулира комбинаторно трудния проблем за научаване на насочен ацикличен граф (DAG) от наблюдателни данни като непрекъснат, гладък оптимизационен проблем, което позволява използването на стандартни решаващи алгоритми, базирани на градиенти, и премахва нуждата от изчерпателно комбинаторно търсене в пространството на графите.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Zheng, X., Aragam, B., Ravikumar, P., & Xing, E. P. (2018). DAGs with NO TEARS: Continuous optimization for structure learning. Advances in Neural Information Processing Systems, 31. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/bg/causal-inference/notears
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Бейсианска мрежаБейсови методи↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →