关键词directed acyclic graphs
搜索结果 - 67
- ExDAG: 精确学习有向无环图
近年来对因果学习的兴趣逐渐增加。常用的因果结构表示方法,包括贝叶斯网络和结构方程模型(SEM),采用有向无环图(DAG)形式。我们提供了一种新颖的混合整数二次规划表达和相关算法,用于识别可识别的 50 个顶点的 DAGs。我们称之为 ExD - 有向无环图上的卷积学习
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 - FiP: 因果生成建模的固定点方法
基于新的等效形式主义,提出了一种新的因果生成模型,利用拓扑排序从观测值中推断顺序,设计了基于 Transformer 的架构来学习固定点结构因果模型,并通过广泛的评估表明该模型在生成的超出分布问题中胜过多个基准模型。
- 学习推理中长度泛化的理论
针对学习推理中的长度泛化问题,本文通过理论研究提出一种可以模拟成有向无环图(DAGs)的问题的长度泛化条件,并设计了基于该理论的问题表示方法,使用 Transformer 模型完美解决了诸如奇偶性、加法和乘法等具有挑战性的推理问题。
- 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。
- DAGnosis: 使用结构局部识别数据不一致
使用有向无环图 (DAGs) 编码训练集的特征概率分布和独立性的方法 (DAGnosis) 能识别和处理数据在部署时的不一致性问题,并解决了数据中心方法在特征具有统计独立性的情况下的子优化问题,同时定位了为何样本会因不一致性而被标记的原因, - 调整识别距离:因果结构学习中的一个 Gadjid
评估因果发现算法学习到的图形是困难的:两个图形之间不同的边的数量不反映它们在提供因果效应的标识公式方面的差异。我们介绍了一种开发图形之间因果距离的框架,其中包括有向无环图的结构干预距离作为一种特殊情况。我们利用这个框架开发了改进的基于调整的 - DAG 中的深度学习
引入因果图归一化流(causal-graphical normalizing flows, cGNFs)这一新方法,该方法利用深度神经网络对以有向无环图(directed acyclic graphs, DAGs)表示的理论进行经验评估,模 - 可识别异方差噪声模型下的因果发现
基于连续优化框架通过引入松弛且可实现的充分条件,证明了一类可辨识的结构方程模型 (SEM),在此基础上提出了一种新颖的有法考虑噪声方差变异的 DAG 学习方法,并设计了一个有效的两阶段迭代算法来解决优化困难,实现对具有异方差变量噪声和不同方 - 稳定可微因果发现
通过引入新的约束条件和训练过程,我们提出了稳定可微分因果发现(SDCD)方法,以解决推断因果关系作为有向无环图(DAGs)的问题。SDCD 方法在收敛速度和准确性方面优于现有方法,并可扩展到数千个变量的情况。
- 潜在类别混淆下的因果发现
使用有向无环图来建模系统的因果结构。在多个数据源(群体或环境)的数据聚合中,全局混淆模糊了许多因果发现算法中的条件独立性属性。因此,现有的因果发现算法不适用于多源设置。我们证明,如果混淆的基数有限(即数据来自有限数量的源),仍然可以实现因果 - 自适应随机邻域信息的结构学习
本研究介绍了一种新颖的 MCMC 采样器 PARNI-DAG,用于在观测数据下进行结构学习的完全贝叶斯方法。算法假设因果充分性,允许从有向无环图(DAGs)的后验分布中直接进行近似采样。PARNI-DAG 通过局部启发式、自适应的随机邻域提 - 使用最佳顺序分数搜索和增长缩小树快速可扩展精确发现有向无环图
通过引入最佳次序得分搜索(BOSS)和增长 - 收缩树(GSTs)方法,我们在学习因果图过程中提出了一种有效的方法,其能够解决包含数百个高度连接变量的问题,例如从 fMRI 数据中恢复脑网络。通过在变量的排列组合上进行贪婪搜索,并使用 GS - 上下文定向无环图
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 - 模型导向的强化学习在 DAG 空间的树搜索中的应用于因果关系发现
通过树搜索的模型驱动增量式有向无环图建立,提出了一种基于因果关系的强化学习方法,并通过一个有效算法证明了排除引入循环边缘的正确性,实现了在有向无环图空间中更深层的离散搜索和抽样,为组合方法提供了有希望的进展。
- 答案集编程的解释
xASP2 是一个增强型的解释性人工智能系统,用于生成 Answer Set Programming(ASP)的解释图。与 xASP 不同,xASP2 支持不同的 clingo 构造,如选择规则、约束和聚合函数如 #sum、#min。该研究 - 带有条件独立性检验的层次化拓扑排序对有限时间序列的应用
通过引入有限时间序列数据和条件独立性检验,我们提出了一种层次拓扑排序算法(HT-CIT),以更高效地学习稀疏的有向无环图,从而比其他流行方法具有更小的搜索空间,并大大减少需要修剪的边的数量。来自合成和真实数据集的实证结果证明了所提出的 HT - SLEM: 超学习器方程建模的路径建模和因果推理
超级学习方程建模是一种集成机器学习超级学习器的路径建模技术,能够提供一致和无偏的因果效应估计,并在处理非线性关系时比结构方程模型(SEM)表现更好。
- GraphRNN 再探:有向无环图的剖析研究与扩展
通过复制 You et al. 的 GraphRNN 架构,我们评估了重现实现的 GraphRNN 架构与基准模型的新指标,并通过消融研究发现,You et al. 建议的 BFS 遍历在同构图的表示折叠中起到了重要作用。此外,我们通过使用 - 异方差因果结构学习
本研究旨在解决具有异方差噪声的因果结构学习问题。通过利用因果机制的正态性,我们可以恢复一个有效的因果排序,并使用一系列条件独立性检验唯一地识别因果有向无环图。结果是 HOST(异方差因果结构学习),一种简单而有效的因果结构学习算法,可以在样