DYNOTEARS: 从时间序列数据中进行结构学习

Feb, 2020

DYNOTEARS: 从时间序列数据中进行结构学习

DYNOTEARS: Structure Learning from Time-Series Data

Roxana Pamfil, Nisara Sriwattanaworachai, Shaan Desai, Philip Pilgerstorfer, Paul Beaumont...

TL;DR利用一种基于得分的方法来解决动态贝叶斯网络中的结构学习问题，该方法同时估计时间序列中变量之间的同步和时间滞后关系，并且在模拟数据和真实数据方面都具有较高的准确性和可扩展性，特别适用于需要学习变量间时间关系的多个问题。

Abstract

We revisit the structure learning problem for dynamic bayesian networks and propose a method that simultaneously estimates contemporaneous (intra-slice) and time-lagged (inter-slice) relationships between variabl

dynamic bayesian networks structure learning time-series score-based method acyclicity constraint

发现论文，激发创造

从动态图中学习有向无环图结构

本研究探讨了动态图数据上节点特征生成机制的学习问题，并提出了一种连续得分优化方法，名为 GraphNOTEARS，该方法有效地刻画了节点特征生成过程中的同时关系和时滞交互关系之间的 DAG 结构，可以在一个简洁的方式下展现特征生成过程。实验表明，该算法在模拟数据方面表现优异，并能够学习到来自真实世界数据集的节点之间的联系。

Nov, 2022

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

带泪滴有向无环图

提出了一种混合整数规划的新方法，名为 DAGs with Tears，用于在工业过程中更实用和有用地学习结构，并演示了该方法的优越性。

Feb, 2023

dotears: 使用观测和干预数据进行可扩展、一致的 DAG 估计

使用可观测数据和干预数据推断单个因果结构的可伸缩结构学习框架，能够直接估计外生误差结构，绕过了循环估计问题，并在大型随机 DAG 的各种模拟中优于现有方法。最后，证明了该框架是真正 DAG 的可证估计器。

May, 2023

无惧 DAG：深入研究连续优化用于学习贝叶斯网络

研究学习贝叶斯网络的连续优化框架 NOTEARS，推导该优化问题的 KKT 条件，提出一种基于 KKT 条件的局部搜索后处理算法并在测试中得到了结构汉明距离的显著和普遍提高。