NOTEARS: Ciągłe optymalizowanie dla uczenia struktury przyczynowej
NOTEARS (No Tears: Acyclicity Regression Structure) to algorytm uczenia struktury przyczynowej wprowadzony przez Zheng, Aragama, Ravikumara i Xing w 2018 roku na konferencji NeurIPS. Przeprowadza on rekombinatorycznie trudny problem uczenia skierowanego grafu acyklicznego (DAG) z danych obserwacyjnych jako ciągły, gładki problem optymalizacyjny, umożliwiając wykorzystanie standardowych solwerów opartych na gradientach i eliminując potrzebę wyczerpującego przeszukiwania kombinatorycznego przestrzeni grafów.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/pl/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.
- Sieć bayesowskaStatystyka bayesowska↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →