Oct, 2023
动量驱动的因果结构学习：在有向无环图的 Markov 等价类上采样分布
Causal structure learning with momentum: Sampling distributions over Markov Equivalence Classes of DAGs
Moritz Schauer, Marcel Wienöbst
TL;DR在推断贝叶斯网络结构（有向无环图，DAG）的背景下，我们设计了一种非可逆连续时间马尔可夫链，称为 “因果 Zig-Zag 采样器”，该采样器针对一类观测等效（Markov 等价）DAG 的概率分布。这些类别以完成的部分有向无环图（CPDAG）表示。非可逆马尔可夫链依赖于 Chickering 的贪婪等价搜索（GES）中使用的操作符，并以动量变量进行了改进，从实证结果上显示其混合效果显著。可能的目标分布包括基于 DAG 先验和 Markov 等价似然的后验分布。我们提供了一种高效的实现，其中我们开发了新的算法来列出、计数、均匀采样和应用 GES 操作符的可能移动，所有这些都显著改进了现有技术水平。