Jan, 2023

排列多面体上的 DAG 学习

PDF
TL;DR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。
optimizationdirected acyclic graphobservational datatopological orderingnode-edge joint optimization
发现论文，激发创造
  • 基于梯度的神经 DAG 学习

    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

  • 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

  • 基于贪心置换的因果推断算法的一致性保证

    使用置换的贪心方法，基于一个置换多面体中的边图，在有限多步内，找到了一个对应于支配生成有向无环图原则的图结构的稀疏最小置换，该方法成功应用于有向无环图的生成。

    Feb, 2017

  • 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

  • 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

  • 从偏序关系中学习有向无环图

    通过利用部分因果顺序，本文提出了一种通用的估计框架来学习有向无环图的结构，并提供了低维和高维问题的高效估计算法。

    Mar, 2024

  • 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

  • DAG-GNN: 利用图神经网络学习 DAG 结构

    通过引入可变自动编码器的图神经网络模型，本文提出了一个生成模型，这个模型可以自然地处理离散和向量值变量，并通过在合成数据和基准数据集上进行实验，证明了方法的准确性和效果。

    Apr, 2019

  • 关于稀疏性和 DAG 约束在学习线性 DAG 中的作用

    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

  • 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