NOTEARS: Kontinuierliche Optimierung für kausale Strukturlernen
NOTEARS (No Tears: Acyclicity Regression Structure) ist ein Algorithmus zum kausalen Strukturlernen, der 2018 von Zheng, Aragam, Ravikumar und Xing auf der NeurIPS vorgestellt wurde. Er formuliert das kombinatorisch schwierige Problem des Lernens eines gerichteten azyklischen Graphen (DAG) aus Beobachtungsdaten als ein kontinuierliches, glattes Optimierungsproblem um. Dies ermöglicht die Verwendung von Standard-Gradienten-basierten Lösern und eliminiert die Notwendigkeit einer erschöpfenden kombinatorischen Suche im Graphenraum.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/de/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.
- Bayes'sche NetzwerkeBayes-Statistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →