NOTEARS: Kontinuerlig optimering til læring af kausal struktur
NOTEARS (No Tears: Acyclicity Regression Structure) er en algoritme til læring af kausal struktur, introduceret af Zheng, Aragam, Ravikumar og Xing i 2018 på NeurIPS. Den omformulerer det kombinatorisk hårde problem at lære en rettet acyklisk graf (DAG) fra observationelle data som et kontinuerligt, glat optimeringsproblem, hvilket muliggør anvendelse af standard gradientbaserede løsere og fjerner behovet for udtømmende kombinatorisk søgning i grafrummet.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/da/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.
- Bayesiansk netværkBayesiansk↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →