NOTEARS: Nepārtraukta optimizācija cēloņsakarību struktūras apguvei
NOTEARS (No Tears: Acyclicity Regression Structure) ir algoritms cēloņsakarību struktūras apguvei, ko 2018. gadā NeurIPS konferencē ieviesa Zheng, Aragam, Ravikumar un Xing. Tas pārformulē kombinatoriski sarežģīto problēmu, kurā no novērojumu datiem jāapgūst virzīts aciklisks grafs (DAG), kā nepārtrauktu, gludu optimizācijas problēmu, ļaujot izmantot standarta gradientu metodes un novēršot nepieciešamību pēc izsmeļošas kombinatoriskās meklēšanas grafu telpā.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/lv/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.
- Bayes' tīklsBajesa metodes↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →