可导有向无环图学习的截断矩阵幂迭代
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
该研究提出了一种基于对数行列式函数的新型有向无环图(DAG)的无环性描述,该描述利用 DAG 的幂零属性将其与正定矩阵锥定义的经典对数行列式函数进行了区分。该方法与现有技术相比,对于检测大型循环性更好,在梯度方面更好,并且实际运行时间大约快一个数量级。在数值实验中表明,该方法能够获得较大的速度提升和较小的结构 Hamming 距离。
Sep, 2022
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
该论文提出了一种利用连续优化框架从观测数据中发现潜在的有向无环图 (DAG) 的方法,通过多面体的排列向量优化来学习一个拓扑排序,并可通过非可微子程序的学习和条件排序来优化边缘,实验结果表明了该方法在节点边缘联合优化方面具有优势。
Jan, 2023
本文提出了一种基于得分的方法,利用神经网络在连续约束优化理论的基础上,允许处理变量之间的非线性关系,用于学习有向无环图,相对于其他连续优化方法,这种方法在很多任务上表现更好,在因果推断的重要度量上与现有的贪婪搜索方法相比具有竞争力。在合成存储和真实世界数据集上进行了试验。
Jun, 2019
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
该研究探讨了用增广 Lagrange 方法 (ALM) 和二次惩罚方法 (QPM) 求解结构学习的连续优化问题,发现 ALM 的收敛性质在线性、非线性和混淆情况下实际上和 QPM 相似,在 QPM 的渐近条件下收敛到有向无环图 (DAG) 解决方案,并将理论结果与现有方法相连接,验证了实验比较。
Nov, 2020