NOTEARS: Otimização Contínua para Aprendizado de Estrutura Causal
NOTEARS (No Tears: Acyclicity Regression Structure) é um algoritmo de aprendizado de estrutura causal introduzido por Zheng, Aragam, Ravikumar e Xing em 2018 na NeurIPS. Ele reformula o problema combinatoriamente difícil de aprender um grafo acíclico direcionado (DAG) a partir de dados observacionais como um problema de otimização contínuo e suave, permitindo o uso de solucionadores padrão baseados em gradiente e removendo a necessidade de busca combinatória exaustiva no espaço de grafos.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Mapa de métodos
A vizinhança de métodos relacionados — selecione um nó para explorar.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/pt/causal-inference/notears
Qual método?
Coloque este método ao lado dos seus pares mais próximos e leia-os lado a lado — a biblioteca dispõe os livros sobre a mesa; a escolha é sua.
- Rede BayesianaBayesiano↔ comparar
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →