TL;DR本文提出了针对 Geiger 和 Heckerman(2002 年 Ann. Statist. 30 (2002) 1414-1440)中得出的高斯有向无环图模型计分公式的修正方法,并讨论了如何高效评估得分。
Abstract
We provide a correction to the expression for scoring Gaussian directed
acyclic graphical models derived in Geiger and Heckerman [Ann. Statist. 30
(2002) 1414-1440] and discuss how to evaluate the score efficient
理论图形模型和贝叶斯模型选择的一个重要成就是 Chickering 和 Meek 提出的著名贪婪等价搜索(GES)算法。本文通过建立一般非参数 DAG 模型的一致性理论,证明了 GES 对满足马尔科夫因子化平滑性条件的 DAG 模型的结构估计一致性。这一结果整合了近期非参数贝叶斯方法对比未定义 DAG 模型的测试,并重新得出了经典结果,从而推导出了 GES 应用于一般 DAG 模型的一般一致性定理。
本文介绍了如何通过观测非线性加性高斯噪声模型对数似然函数的二阶导数来发现整个因果图,利用可扩展的机器学习方法来逼近得分函数,扩展了 Rolland 等人的工作,仅从得分中恢复拓扑顺序并要求昂贵的修剪步骤,从而导致 DAS (Discovery At Scale) 算法,这是一个实用的算法,可以将修剪的复杂性降低到与图形大小成比例的因子。在实践中,DAS 算法可以实现与当前最先进的技术相当的准确性,而速度则快了一个数量级。总的来说,我们的方法实现了基于原则且可扩展的因果推断,显着降低了计算门槛。