不强制无环的情况下学习有向无环图 (DAGs)
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
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
提出了一种新的有向无环图结构学习算法,通过在等价图势函数梯度集合中搜索来解决优化问题,并使用 Hodge 分解从一个初始环图中学习无环图,该方法在基准数据集上具有与基线算法相当的准确性和更高的效率。
Jun, 2021
该研究开发了一个框架,可用于从数据中学习稀疏的非参数有向无环图(DAG)。该方法基于最近对 DAG 进行的代数描述,该描述为分数为基础的 DAG 模型的学习提供了一个完全连续的程序,该程序通过线性结构方程模型(SEM)进行参数化。该框架适用于各种非参数和半参数模型,包括广义线性模型(GLMs)、加性噪声模型和索引模型等特殊情况。与现有方法不同,这个方法不需要特定的建模选择、损失函数或算法,它提供了一个完全通用的框架,可应用于一般的非线性模型和一般的可微分的损失函数,以及通用的黑盒优化例程。代码可在 https 网址处获得。
Sep, 2019
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。
Oct, 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
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
该研究提出了一种新的基于分数的算法(SP 算法)来学习贝叶斯网络或有向无环图(DAG)模型,该算法在弱于忠实性假设的条件下具有一致性保证,并且在一些小 DAG 的模拟中表现出与其他算法相比的优越性。
Jul, 2013
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。
May, 2012