NOTEARS: Continue Optimalisatie voor Causale Structuurlering
NOTEARS (No Tears: Acyclicity Regression Structure) is een algoritme voor causale structuurlering, geïntroduceerd door Zheng, Aragam, Ravikumar en Xing in 2018 op NeurIPS. Het herformuleert het combinatorisch moeilijke probleem van het leren van een gerichte acyclische graaf (DAG) uit observationele data als een continu, glad optimalisatieprobleem, waardoor standaard gradiënt-gebaseerde oplossers kunnen worden gebruikt en de noodzaak voor uitputtende combinatorische zoekopdrachten in de graafruimte wordt weggenomen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/nl/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.
- Bayesiaans NetwerkBayesiaanse statistiek↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →