NOTEARS: Kontinualna optimizacija za učenje kauzalne strukture
NOTEARS (No Tears: Acyclicity Regression Structure) je algoritam za učenje kauzalne strukture koji su uveli Zheng, Aragam, Ravikumar i Xing 2018. godine na NeurIPS-u. Oni su kombinatorno težak problem učenja usmerenog acikličnog grafa (DAG) iz opservacionih podataka preformulisali kao kontinualni, glatki optimizacioni problem, omogućavajući korišćenje standardnih rešavača zasnovanih na gradijentu i uklanjajući potrebu za iscrpnom kombinatornom pretragom prostora grafova.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/sr/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.
- Bejzijanska mrežaBajesovska statistika↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →