Sep, 2022

DAGMA: 基于 M 矩阵和对数行列式无环特征学习 DAGs

PDF
TL;DR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。
directed acyclic graphscontinuous optimizationlog-determinant functionm-matricesdagma
发现论文，激发创造
  • 可导有向无环图学习的截断矩阵幂迭代

    提出一种基于截断矩阵幂迭代的 DAG 学习方法，通过增加高阶多项式系数以逼近 DAG 约束条件。实验结果表明，该方法在各种设置下的性能优于现有的 DAG 学习方法。

    Aug, 2022

  • 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

  • CoLiDE：Concomitant 线性 DAG 估计

    我们提出一种新的凸得分函数，用于稀疏感知线性有向无环图（DAG）的学习，在异方差场景中通过平滑的非凸无环性惩罚项进行正则化，以实现峰值同时估计，并有效地将稀疏参数与外生噪声水平解耦，该算法在大型 DAG 和异质噪声水平时展现出更高的性能，且表现出增强的稳定性。

    Oct, 2023

  • 通过逆协方差估计进行高维度线性因果网络学习

    本论文提出了一种新的基于统计估计的带有两个部分的框架，通过使用 moralized 图在 DAGs 中选择最佳得分的图。

    Nov, 2013

  • 学习稀疏非参数 DAG

    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

  • 通过反向传播学习离散有向无环图

    本文提出 DAG-DB 框架，采用离散反向传播技术从数据中学习有向无环图，其使用了内在概率分布采样二元邻接矩阵，然后学习分布的参数。

    Oct, 2022

  • Dagma-DCE：可解释、非参数可微因果发现

    我们介绍了一种可解释且模型无关的梯度可逆因果发现方法 Dagma-DCE，它使用可解释的因果强度来定义加权邻接矩阵，并在多个模拟数据集上展现了与其他方法相媲美的性能水平。

    Jan, 2024

  • 排列多面体上的 DAG 学习

    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

  • 无环 DAG: 一种高效的有向无环图结构学习方法

    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