- ICML通过拓扑交换优化 NOTEARS 目标
本研究提出了一种新的双层算法,用于优化具有非凸性约束的有向无环图,并解决了此类问题的优化挑战,具有更弱的条件保证和更低的得分,并且在实验中表现优于现有方法。
- 从数据中学习具有少量根因的有向无环图(DAG)
提出了一种新的算法,从线性结构方程模型(SEM)生成的数据中学习有向无环图(DAG)。该算法证明在新设置中的可识别性,并显示与之前的 DAG 学习方法相比,少量有噪声的 root causes 能提供优异性能。
- ICLR通过自适应样本加权提高可微因果发现
本文提出了一种简单而有效的模型无关框架,通过动态学习适应权重来增强因果发现的性能,该权重定量地适合于每个样本的重要度,并已在合成和真实世界数据集上进行了广泛的实验证明,具有稳定且显着的结构学习性能提升,同时缓解了虚假边的影响并推广到异构数据 - 深度神经网络结构和超参数优化的算法框架
本篇论文提出一种基于演化有向无环图的算法框架,自动生成高效的深度神经网络并优化其相关超参数,与已有文献中的搜索空间相比更具灵活性,能优化网络的结构和超参数,已经在时间序列预测基准测试中得到了实验结果的验证。
- 编程社区问答中的命名实体预测贝叶斯网络
本研究提出了一种基于贝叶斯网络的自然语言处理方法,可以预测和分析上下文,并可以应用于社区问答领域,通过与基线模型的比较,我们的方法在精度指标方面表现更好,同时讨论了罚项对贝叶斯网络结构的影响,以及有向无环图在分析语义关系方面的可视化表示。
- AAAI马尔可夫等价有向无环图的高效枚举
提出了一种线性时间延迟算法,用于枚举由 Meek 和 Chickering 规则产生的马尔可夫等价类中的有向无环图,并在实验中评估其有效性,同时向马尔可夫等价本身提供了新的见解。
- AAAI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 - 通过反向传播学习离散有向无环图
本文提出 DAG-DB 框架,采用离散反向传播技术从数据中学习有向无环图,其使用了内在概率分布采样二元邻接矩阵,然后学习分布的参数。
- 有向无环图上的 Transformer
本篇论文研究了如何在 Transformer architecture 中注入图形结构偏差以更好地处理基于有向无环图的数据,包括构思了一个有效的注意机制来捕捉 DAG 的结构并提出了一种部分顺序的位置编码方法。作者在实验中证明了这个框架能够 - DAGMA: 基于 M 矩阵和对数行列式无环特征学习 DAGs
该研究提出了一种基于对数行列式函数的新型有向无环图(DAG)的无环性描述,该描述利用 DAG 的幂零属性将其与正定矩阵锥定义的经典对数行列式函数进行了区分。该方法与现有技术相比,对于检测大型循环性更好,在梯度方面更好,并且实际运行时间大约快 - 计算与背景知识相一致的马尔可夫等价有向无环图数量
本文研究的问题是,在部分边缘方向已知的情况下,如何计算马尔科夫等价类中有向无环图的数量。我们发现,这个问题在一个有趣的实例类中是可固定参数可解的,因为我们建立了一个计数算法,它所需要的时间是该图大小的多项式,其次数不依赖于作为输入提供的附加 - 稀疏排列算法的贪心放松
本研究使用排列推理的方法来搜索有向无环因果模型,并在后者的基础上开发了一类算法,即 GRaSP,通过置换操作 tuck 使其更为高效和稳健,能够在对符合因果性条件的假设要求较弱的情况下进行点差一致性的搜索,性能优于很多现有的因果搜索算法,尤 - 使用 Wasserstein 生成对抗网络进行因果关系学习
DAG-WGAN 模型是一个自动编码器架构,它将基于 Wasserstein 距离的对抗性损失和无环约束相结合,从而在同时提高数据生成能力的同时学习因果结构。实验证明,该模型在高基数数据方面表现更好。
- DagSim: 将基于 DAG 的模型结构与非约束的数据类型和关系相结合,实现灵活、透明和模块化的数据仿真
DagSim 是一个无任何变量类型或函数关系约束的基于 DAG 的数据模拟的 Python 框架,具有清晰的结构分层和分离用户定义的函数来生成每个变量,用于控制图像形状和生物序列模式的元数据变量是 DagSim 的应用案例之一。
- AAAI计算与取样马尔可夫等价有向无环图的多项式时间算法及其应用
本文提出了一种能够在多项式时间内计数和抽样来自马尔可夫等价类的有向无环图的算法,解决了该领域长期存在的一个问题。通过实验实现,该算法应用价值高,使因果结构和因果效应识别的主动学习策略变得实用。
- AAAI计算和抽样马尔科夫等效有向无环图的多项式时间算法
本文解决了图形因果分析领域中的一个长期存在的难题,即如何在多项式时间内计数和均匀采样来自马尔可夫等价类的有向无环图(DAGs)。我们提出的算法实现容易且高效,并且实验结果表明这些算法显著优于现有的最先进方法。
- 连续约束优化在结构学习中的收敛性
该研究探讨了用增广 Lagrange 方法 (ALM) 和二次惩罚方法 (QPM) 求解结构学习的连续优化问题,发现 ALM 的收敛性质在线性、非线性和混淆情况下实际上和 QPM 相似,在 QPM 的渐近条件下收敛到有向无环图 (DAG) - 面向可扩展的因果 DAGs 贝叶斯学习
本文提出了贝叶斯因果推断的方法,其中用到了 MCMC 方法来进行图结构的采样,并得到了线性高斯 DAG 模型的因果效应估计。
- 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。
- 低秩有向无环图与因果结构学习
通过利用有向无环图 (DAG) 因果模型的低秩假设,本文提出了一种新的方法来缓解在高维度设置中学习表示 DAG 的因果结构的问题,提供了图形条件和现有方法的适应性,并提供了经验证据支持低秩算法的实用性。