NOTEARS: Kontinuálne optimalizovanie pre učenie kauzálnych štruktúr
NOTEARS (No Tears: Acyclicity Regression Structure) je algoritmus na učenie kauzálnych štruktúr, ktorý predstavili Zheng, Aragam, Ravikumar a Xing v roku 2018 na konferencii NeurIPS. Preformuloval kombinatoricky náročný problém učenia orientovaného acyklického grafu (DAG) z observačných dát ako spojitý, hladký optimalizačný problém, čo umožňuje použitie štandardných gradientových solverov a odstraňuje potrebu vyčerpávajúceho kombinatorického prehľadávania priestoru grafov.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/sk/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.
- Bayesovská sieťBayesovské metódy↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →