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.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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.
- Байесовская сетьБайесовские методы↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →