NOTEARS: Συνεχής Βελτιστοποίηση για Μάθηση Αιτιακής Δομής
Το NOTEARS (No Tears: Acyclicity Regression Structure) είναι ένας αλγόριθμος μάθησης αιτιακής δομής που εισήχθη από τους Zheng, Aragam, Ravikumar και Xing το 2018 στο NeurIPS. Επαναδιατυπώνει το συνδυαστικά δύσκολο πρόβλημα της μάθησης ενός κατευθυνόμενου άκυκλου γράφου (DAG) από παρατηρησιακά δεδομένα ως ένα συνεχές, ομαλό πρόβλημα βελτιστοποίησης, επιτρέποντας τη χρήση τυπικών επιλυτών βασισμένων σε κλίση και αφαιρώντας την ανάγκη για εξαντλητική συνδυαστική αναζήτηση στον χώρο των γράφων.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/el/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.
- Δίκτυο BayesΜπεϋζιανή Στατιστική↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →