NOTEARS: spojité optimalizace pro učení kauzálních struktur
NOTEARS (No Tears: Acyclicity Regression Structure) je algoritmus pro učení kauzálních struktur, který v roce 2018 na konferenci NeurIPS představili Zheng, Aragam, Ravikumar a Xing. Převádí kombinatoricky obtížný problém učení orientovaného acyklického grafu (DAG) z observačních dat na spojitý, hladký optimalizační problém, což umožňuje použití standardních řešičů založených na gradientu a odstraňuje potřebu vyčerpávajícího kombinatorického prohledávání prostoru grafů.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/cs/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.
- Bayesovská síťBayesovská statistika↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →