NOTEARS: Optimització Contínua per a l'Aprenentatge d'Estructura Causal
NOTEARS (No Tears: Acyclicity Regression Structure) és un algorisme d'aprenentatge d'estructura causal introduït per Zheng, Aragam, Ravikumar i Xing el 2018 a NeurIPS. Reformula el problema combinatoriament difícil d'aprendre un graf acíclic dirigit (DAG) a partir de dades observacionals com un problema d'optimització continu i suau, permetent l'ús de solucionadors estàndard basats en gradient i eliminant la necessitat de cerca combinatòria exhaustiva sobre l'espai de grafs.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/ca/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.
- Xarxa bayesianaBayesià↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →