基于分布与结构学习的无弦有向无环图路径等价性

Aug, 2015

基于分布与结构学习的无弦有向无环图路径等价性

Distributional Equivalence and Structure Learning for Bow-free Acyclic Path Diagrams

Christopher Nowzohour, Marloes H. Maathuis, Robin J. Evans, Peter Bühlmann

TL;DR本文研究了基于得分的贪心搜索算法用于学习无环路径图的结构，并且证明了一些 BAPs 分布等价（distributional equivalence）的必要和充分条件，这种算法可以推断因果效应的下界，同时通过真实数据和模拟数据的应用进行了验证。

Abstract

We consider the problem of structure learning for bow-free acyclic path diagrams (baps). baps can be viewed as a generalization of linear

structure learning baps causal effects score-based search algorithm distributional equivalence

发现论文，激发创造

高效决定无弓型无环路径图的代数等价性

对于包含潜在混淆因素的因果发现问题，存在超越条件独立性的约束条件，可以使因果发现算法能够区分更多的图对。在没有圆弓的线性结构方程模型的设置下，我们研究了代数约束，并认为这些约束提供了最精细的解析度。我们提出了有效的算法，判断两个图是否施加相同的代数约束，或者一个图所施加的约束是否是另一个图所施加约束的子集。

Jun, 2024

在有向无环部分图的限制空间中搜索贝叶斯网络结构

本文针对贝叶斯网络基于评分函数加搜索过程的局部搜索方法进行了改进，提出了一种利用有限无向结构图进行搜索的新的局部搜索方法，避免了在 DAG 空间中做出早期决策，减少了搜索空间的配置数量，提高了效率，同时在多个测试问题上验证了这种方法的优越性。

Jun, 2011

使用 BAM 进行图结构推断：引入双线性注意机制

统计学和机器学习中，检测数据集中的依赖关系是一个核心挑战。我们提出了一种新颖的神经网络模型，用于监督式图结构学习，即学习观测数据与其底层依赖结构之间的映射关系。通过利用结构方程模型和使用随机生成的多元切比雪夫多项式来模拟训练数据，我们的方法在线性和各种类型的非线性依赖关系上都表现出稳健的可推广性。我们引入了一种新颖的双线性注意机制（BAM），用于显式处理依赖信息，其操作是基于转换数据的协方差矩阵水平，并尊重对称正定矩阵流形的几何性质。实证评估显示了我们的方法在检测广泛范围的依赖关系中的稳健性，在无向图估计方面表现出优势，并通过一种新颖的两步方法在完成部分有向无环图估计中取得竞争优势。

Feb, 2024

不强制无环的情况下学习有向无环图 (DAGs)

本文章通过 L1 正则化优化的稀疏矩阵分解方法，得到逼近 DAG 的图结构，避免了传统结构学习算法在组合复杂度方面的缺陷。

Jun, 2020

无眼泪的 DAGs：结构学习的连续优化

本文提出了一种基于优化问题的连续方法，来解决结构学习问题，避免了组合约束，并有效地提高算法效率。该方法在没有强加任何结构假设的情况下，优于其它现有方法。

Mar, 2018

低秩有向无环图与因果结构学习

通过利用有向无环图 (DAG) 因果模型的低秩假设，本文提出了一种新的方法来缓解在高维度设置中学习表示 DAG 的因果结构的问题，提供了图形条件和现有方法的适应性，并提供了经验证据支持低秩算法的实用性。

Jun, 2020

在有向无环图上进行多邻域协同学习

通过开发一种新的基于约束的方法，该方法用于估计多个用户指定目标节点周围的局部结构，从而在邻域之间实现结构学习协调，进而促进无需学习整个有向无环图结构的因果发现。实验结果表明，我们的算法在学习邻域结构时具有更高的准确性，且计算成本较低于传统方法。