NOTEARS: Безперервна оптимізація для навчання причинно-наслідкової структури
NOTEARS (No Tears: Acyclicity Regression Structure) — це алгоритм навчання причинно-наслідкової структури, представлений Чженгом, Арагамом, Равікумаром та Сінгом у 2018 році на NeurIPS. Він переформулює комбінаторно складну проблему навчання спрямованого ациклічного графа (DAG) з спостережуваних даних як задачу неперервної, гладкої оптимізації, що дозволяє використовувати стандартні градієнтні розв'язувачі та усуває необхідність вичерпного комбінаторного пошуку по простору графів.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). NOTEARS Continuous DAG Structure Learning. ScholarGate. https://scholargate.app/uk/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.
- Баєсова мережаБаєсові методи↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →