NOTEARS: Kontinuerlig optimering for læring av kausal struktur
NOTEARS (No Tears: Acyclicity Regression Structure) er en algoritme for læring av kausal struktur, introdusert av Zheng, Aragam, Ravikumar og Xing i 2018 ved NeurIPS. Den omformulerer det kombinatorisk vanskelige problemet med å lære en rettet asyklisk graf (DAG) fra observasjonsdata som et kontinuerlig, glatt optimeringsproblem, noe som muliggjør bruk av standard gradientbaserte løsere og fjerner behovet for uttømmende kombinatorisk søk i grafrommet.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/no/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.
- Bayesiansk nettverkBayesiansk↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →