bayesian networks, with structure given by a directed acyclic graph (DAG),
are a popular class of graphical models. However, learning bayesian networks
from discrete or categorical data is particularly challengin
本文研究高维稀疏有向无环图模型或等价的高斯结构方程模型的结构和参数的正则化最大似然估计问题,证明了 DAG 的 $l_0$- 惩罚最大似然估计器具有与最小边 I-MAP 相同数量的边,以 Frobenius 范数收敛,允许节点数 p 远大于样本量 n,但假设稀疏性条件和任何真实 DAG 的任何表示至少有一定比例的非零边权值高于噪声水平,结果不依赖于忠实度假设或基于条件独立测试的方法。
通过将上下文特征映射到加权邻接矩阵上的有向无环图(DAG),并利用具有新颖投影层的神经网络,我们提出了一种处理上下文 DAG 问题的方法,该方法确保输出矩阵稀疏并满足无环性质的最近发展算法,并为学习上下文 DAG 提供了可伸缩的计算框架,同时提供了收敛保证和反向传播投影层的解析梯度。实验结果表明,这种新方法可以在现有方法失败的情况下恢复真实的上下文特定图。