Sep, 2023

可微贝叶斯结构学习中的拓扑排序与保证无环约束

PDF
TL;DR通过结合拓扑排序的知识，我们提出了一种用于限制生成图的无环性的替代方法，该方法可以降低推理复杂度，同时确保生成的图的结构是无环的，并在模拟和真实数据的实证实验中表现优于相关的基于贝叶斯评分的方法。
score-based approachescontinuous relaxationacyclic graphspermutation-based approachestopological orderings
发现论文，激发创造
  • 无约束结构学习与平滑无环定向

    COSMO 是一种无约束的连续优化方案，用于无环结构学习，通过参数化的优先级向量定义可微分的方向矩阵的近似，能够以渐近更快的速度收敛到无环解，且在图结构重建方面相比其他方法表现优异。

    Sep, 2023

  • 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

  • 基于最稀疏排列的有向无环图学习

    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

  • 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

  • 连续优化结构学习：审慎地观察和开拓

    本研究探讨了连续优化在有向无环图结构学习中表现良好和表现不佳的情况及原因，并提供了可能的改进方向。研究发现，非等噪声方差情况下存在非凸性问题，而连续结构学习的最新进展未能在此情况下实现改进。因此，未来研究应考虑非等噪声方差以处理更广泛的设置并进行更全面的实证评估。

    Apr, 2023

  • 基于分区 MCMC 的无向无环图推断

    本文提出了一种基于有向无环图 (DAGs) 的新算法，用于采样结构概率图模型，该算法在保持无偏采样的同时比结构 MCMC 方法收敛更快，并可与边反转移动结合使用以进一步改进采样器

    Apr, 2015

  • 无需利用无环约束的高效神经因果关系发现

    本文提出了一种新的有向无环因果图结构学习方法 ENCO，可以将因果图搜索表述为独立边似然的优化，并在不需要强制保持无环的情况下提供收敛保证。在实验中，作者展示 ENCO 可以高效地恢复拥有数百个节点的图，并处理确定性变量和潜在混淆因子。

    Jul, 2021

  • 通过拓扑排序进行贝叶斯网络学习

    本文提出了一种基于拓扑序的混合整数规划模型与迭代算法，来解决带有有向图中非循环约束的优化问题。模型具有较少的约束条件且使用了梯度下降和迭代重新排序等方法。该方法在高斯贝叶斯网络学习问题中进行了计算实验，用于在生物信息学中推断基因网络

    Jan, 2017

  • 在潜变量存在时使用整数规划进行因果结构学习

    本文提出了一种基于精确得分的方法来学习代表一组连续变量因果关系的祖先无环定向混合图，并通过整数规划公式求解，能够有效获得优秀结果，且优于现有基准方法。

    Feb, 2021

  • 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