NOTEARS: Kontinuerlig optimering för kausal strukturinlärning
NOTEARS (No Tears: Acyclicity Regression Structure) är en algoritm för kausal strukturinlärning som introducerades av Zheng, Aragam, Ravikumar och Xing 2018 vid NeurIPS. Den omformulerar det kombinatoriskt svåra problemet att lära sig en riktad acyklisk graf (DAG) från observationsdata som ett kontinuerligt, jämnt optimeringsproblem, vilket möjliggör användning av standard gradientbaserade lösare och eliminerar behovet av uttömmande kombinatorisk sökning över grafrymden.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/sv/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.
- Bayesianskt nätverkBayesiansk statistik↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →