NOTEARS: بهینهسازی پیوسته برای یادگیری ساختار علّی
NOTEARS (No Tears: Acyclicity Regression Structure) یک الگوریتم یادگیری ساختار علّی است که توسط ژنگ، آرگام، راویکومار و شینگ در سال ۲۰۱۸ در NeurIPS معرفی شد. این الگوریتم مسئله دشوار ترکیبیاتی یادگیری یک گراف جهتدار بدون دور (DAG) از دادههای مشاهدهای را به یک مسئله بهینهسازی پیوسته و هموار بازتعریف میکند، که امکان استفاده از حلکنندههای استاندارد مبتنی بر گرادیان را فراهم کرده و نیاز به جستجوی ترکیبیاتی جامع در فضای گراف را از بین میبرد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/fa/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.
Compare side by side →ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →