Machine learningCausal discovery

NOTEARS: непрерывная оптимизация для обучения причинно-следственной структуры

NOTEARS (No Tears: Acyclicity Regression Structure) — это алгоритм обучения причинно-следственной структуры, представленный Чжэн, Арагамом, Равикумаром и Сингхом в 2018 году на конференции NeurIPS. Он переформулирует комбинаторно сложную задачу обучения ориентированного ациклического графа (DAG) из наблюдательных данных как задачу непрерывной, гладкой оптимизации, что позволяет использовать стандартные решатели на основе градиента и устраняет необходимость исчерпывающего комбинаторного поиска по пространству графов.

Открыть в MethodMindСкороВидеоСкороDownload slides

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Method map

The neighbourhood of related methods — select a node to explore.

NOTEARS: непрерывная оптимизация для обучения причинно-следственной структуры
Байесовская сетьАлгоритм FCIАлгоритм GES

Источники

  1. 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

Как цитировать эту страницу

ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/ru/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.

Compare side by side

Упоминается в

ScholarGateNOTEARS (NOTEARS Continuous DAG Structure Learning). Получено 2026-06-15 из https://scholargate.app/ru/causal-inference/notears · Набор данных: https://doi.org/10.5281/zenodo.20539026