ProDAG: 基于投影的有向无环图的变分推断
本文提出了对基于结构性因果模型的图形变分推断的形式,通过参数化变分模型来模拟分布,并在参数数量与变量数量的指数无关的情况下进行可处理的训练。
Jun, 2021
通过将上下文特征映射到加权邻接矩阵上的有向无环图(DAG),并利用具有新颖投影层的神经网络,我们提出了一种处理上下文 DAG 问题的方法,该方法确保输出矩阵稀疏并满足无环性质的最近发展算法,并为学习上下文 DAG 提供了可伸缩的计算框架,同时提供了收敛保证和反向传播投影层的解析梯度。实验结果表明,这种新方法可以在现有方法失败的情况下恢复真实的上下文特定图。
Oct, 2023
从概率推断的角度来看,文章提出了一个解决贝叶斯网络的结构估计问题的方法,通过在一个扩展的有向无环图和排列空间上的联合分布进行后验估计,利用离散分布的连续松弛来利用变分推断,从而在一系列合成和实际数据集上胜过竞争性的贝叶斯和非贝叶斯基准模型。
Feb, 2024
本文提出了一种针对大参数空间和稀疏结构难以搜索的问题的极大化惩罚似然方法,该模型将一个节点的条件分布模型化为多元逻辑回归,通过使用组规范惩罚来获得稀疏的有向无环图。应用该方法得出结果表明其在建立因果关系的有向图方面比现有方法具有更高的效率。
Mar, 2014
介绍了一种新的超级图类 mDAGs,通过潜在投影操作从 DAG 的边缘获取 mDAG,每个独特的 DAG 模型边缘至少由一个 mDAG 表示,并提供了图形结果以表征两个边缘模型何时相同。最后,证明了 mDAGs 可以在观察变量干预下正确地捕捉 DAG 的边缘结构。
Aug, 2014
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
该研究论文介绍了一种基于深度生成模型的有向无环图变分自编码器,利用图神经网络异步消息传递编码 DAG 的计算,达到了搜索性能更好的 DAG 的目的,并在神经网络结构搜索和贝叶斯网络结构学习等任务中证明了其有效性。
Apr, 2019
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
我们开发了一种新颖的卷积结构,专门用于从有向无环图 (DAGs) 的数据中学习。通过 DAGs,我们可以建模变量之间的因果关系,但它们的幂零邻接矩阵给开发 DAG 信号处理和机器学习工具带来了独特挑战。为了解决这个限制,我们利用了近期的进展,提供了 DAG 上信号的因果转变和卷积的备选定义。我们开发了一种新颖的卷积图神经网络,集成了可学习的 DAG 滤波器,以考虑图拓扑引起的部分排序,从而为学习 DAG 支持数据的有效表示提供了有价值的归纳偏见。我们讨论了所提出的 DAG 卷积网络(DCN)的显著优势和潜在限制,并使用合成数据在两个学习任务中评估其性能:网络扩散估计和源识别。DCN 相对于几个基线表现出有利的比较,展示了它的潜力。
May, 2024