NOTEARS: Optimización Continua para el Aprendizaje de Estructuras Causales
NOTEARS (No Tears: Acyclicity Regression Structure) es un algoritmo de aprendizaje de estructuras causales introducido por Zheng, Aragam, Ravikumar y Xing en 2018 en NeurIPS. Reformula el problema combinatoriamente difícil de aprender un grafo acíclico dirigido (DAG) a partir de datos observacionales como un problema de optimización continuo y suave, lo que permite el uso de solucionadores estándar basados en gradientes y elimina la necesidad de una búsqueda combinatoria exhaustiva sobre el espacio de grafos.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Mapa de métodos
El vecindario de métodos relacionados: selecciona un nodo para explorarlo.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/es/causal-inference/notears
¿Qué método?
Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.
- Red BayesianaBayesiano↔ comparar
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →