- ProDAG: 基于投影的有向无环图的变分推断
基于变分贝叶斯推理框架,我们开发了一种在有向无环图中量化不确定性的方法,通过引入新的分布,该分布直接在 DAG 空间上支持,我们的方法 ProDAG 可以提供准确的推理,通常优于现有的先进方法。
- 用 DAG-Onion 方法改进因果发现的模拟验证
人工智能算法、因果发现、模拟设计、线性模型、有向无环图(DAG)
- 基于置换检验实现因果图的虚假性
通过对结点进行排列组合,我们提出了一种新的一致性度量方法,从而评估有向无环图(DAG)的好坏,该方法可以帮助实践者判断 DAG 是否比随机分配更合适。我们在仿真数据和各种领域的实际数据集上进行评估,并表明该方法可以排除错误 DAG。
- 自动机导向下的强化学习智能体课程生成
提出了 AGCL,一种基于确定性有限状态自动机(DFA)和面向对象马尔可夫决策过程(OOMDP)表示法的自动生成课程的方法,该方法在格子世界和基于物理仿真的机器人领域中的实验表明,AGCL 产生的课程在时间阈值性能上比最先进的课程学习和自动 - 线性时间内找到前门调整集
本文提出了一种基于有向无环图 (DAG) 的前门调整线性时间算法,可在 O (n+m) 的时间内发现满足前门准则的集合,因此达到渐进最优时间复杂度,并提供了一个算法以 O (n (n+m)) 的延迟列出给定 DAG 中所有前门调整集。
- 生成流网络的贝叶斯结构学习
本研究提出了一种称为 DAG-GFlowNet 的方法,使用 Generative Flow Networks 代替 MCMC 来近似推断 Bayesian 网络结构的后验分布。实验结果表明,DAG-GFlowNet 能够提供准确的 DAG - 使用主动干预的神经因果模型学习
介绍了一种基于 AIT 的方法,可快速识别数据生成过程的基础因果结构。该方法可用于离散和连续优化公式,并在模拟到实际数据的多个基准测试中表现出卓越的性能。(Translation: An AIT-based method is introd - ICLR有向无环图神经网络
本文提出了一种基于 partial ordering 的神经网络结构 --DAGNN,该结构在 DAG 数据集上的表现优于先前的 DAG 结构和通用图形结构。
- 神经架构搜索编码的研究
本文研究神经架构搜索的编码方式对性能的影响,通过理论推导和实验比对,发现编码方式是设计上的重要决策,对性能有显著影响。
- 因果网络:语义和表达能力
本文研究了依赖知识和图结构之间的关系,提出了基于因果输入列表的 DAG 的分离规则,为读取任何 DAG 中的独立性提供了一个可靠的方法。
- 动态规划与 MCMC 的贝叶斯结构学习
本文研究了如何使用动态规划算法作为 DAG 空间中 MCMC 的提议分布,以在更短的时间内收敛于后验概率,从而实现更准确的结构学习和更高的测试数据预测似然。