基于最稀疏排列的有向无环图学习
使用置换的贪心方法,基于一个置换多面体中的边图,在有限多步内,找到了一个对应于支配生成有向无环图原则的图结构的稀疏最小置换,该方法成功应用于有向无环图的生成。
Feb, 2017
通过研究稀疏性和 DAG 约束的渐近作用,提出了一种基于类似似然函数的求解 DAG 约束的无约束优化方法,该方法能够在处理成千上万个节点时仍然保持高精度。实验证明,该方法比使用最小二乘法和硬 DAG 约束的方法更加有效。
Jun, 2020
本研究使用排列推理的方法来搜索有向无环因果模型,并在后者的基础上开发了一类算法,即 GRaSP,通过置换操作 tuck 使其更为高效和稳健,能够在对符合因果性条件的假设要求较弱的情况下进行点差一致性的搜索,性能优于很多现有的因果搜索算法,尤其是在面对数量庞大和比较密集的图结构时也能表现出色。
Jun, 2022
通过结合拓扑排序的知识,我们提出了一种用于限制生成图的无环性的替代方法,该方法可以降低推理复杂度,同时确保生成的图的结构是无环的,并在模拟和真实数据的实证实验中表现优于相关的基于贝叶斯评分的方法。
Sep, 2023
本文提出了一种针对大参数空间和稀疏结构难以搜索的问题的极大化惩罚似然方法,该模型将一个节点的条件分布模型化为多元逻辑回归,通过使用组规范惩罚来获得稀疏的有向无环图。应用该方法得出结果表明其在建立因果关系的有向图方面比现有方法具有更高的效率。
Mar, 2014
本文提出一种基于得分的方法来学习因果图,探讨了如何在存在潜在混淆因素的情况下进行因果结构的发现,并通过提出的贪心算法在合成数据上与现有算法进行比较。
Oct, 2019
本文介绍了贝叶斯网络学习的主要方法,包括约束 - based 方法、得分 - based 方法和混合方法。作者提出了一种新的基于贪心等价搜索(GES)的混合方法,并证明了它的一致性。在模拟研究中表明,这种方法相较于 PC 算法,具有更好的性能。
Jul, 2015
研究了一种正则化的基于得分的评估器族,可以从高维数据中学习多元正态分布的有向无环图(DAG)的结构,通过损失函数惩罚最小二乘估计,支持多种正则化方法,并且首次提出了在高维条件下基于得分的有向无环图结构学习的有限样本保证。
Nov, 2015