NOTEARS: Jatkuva optimointi kausaalisen rakenteen oppimiseen
NOTEARS (No Tears: Acyclicity Regression Structure) on kausaalisen rakenteen oppimisalgoritmi, jonka Zheng, Aragam, Ravikumar ja Xing esittelivät vuonna 2018 NeurIPS-konferenssissa. Se uudelleenmuotoilee kombinatorisesti vaikean ohjatun syklittömän graafin (DAG) oppimisongelman havainnointidatasta jatkuvaksi, sileäksi optimointiongelmaksi, mikä mahdollistaa standardien gradienttipohjaisten ratkaisijoiden käytön ja poistaa tarpeen tyhjentävälle kombinatoriselle haulle graafiavaruudessa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/fi/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.
- Bayesiläinen verkkoBayesilainen tilastotiede↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →