NOTEARS: Ottimizzazione Continua per l'Apprendimento di Strutture Causali
NOTEARS (No Tears: Acyclicity Regression Structure) è un algoritmo di apprendimento di strutture causali introdotto da Zheng, Aragam, Ravikumar e Xing nel 2018 a NeurIPS. Riformula il problema combinatoriamente difficile di apprendere un grafo aciclico diretto (DAG) da dati osservazionali come un problema di ottimizzazione continuo e liscio, consentendo l'uso di risolutori standard basati su gradiente e rimuovendo la necessità di una ricerca combinatoria esaustiva nello spazio dei grafi.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/it/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.
- Rete BayesianaBayesiano↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →