NOTEARS : Optimisation Continue pour l'Apprentissage de Structures Causales
NOTEARS (No Tears : Acyclicity Regression Structure) est un algorithme d'apprentissage de structure causale introduit par Zheng, Aragam, Ravikumar et Xing en 2018 à NeurIPS. Il reformule le problème combinatoirement difficile d'apprentissage d'un graphe acyclique dirigé (DAG) à partir de données observationnelles comme un problème d'optimisation continu et lisse, permettant l'utilisation de solveurs standards basés sur le gradient et éliminant le besoin d'une recherche combinatoire exhaustive dans l'espace des graphes.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/fr/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.
- Réseau bayésienBayésien↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →