A Transformational Characterization of Markov Equivalence for Directed Acyclic Graphs with Latent Variables
Carnegie Mellon University（卡内基梅隆大学）；Institute for Human and Machine Cognition（人机认知研究所）；University of West Florida（西佛罗里达大学）
不同的有向无环图（DAG）可能是马尔可夫等价的，因为它们在观测变量之间具有相同的条件独立关系。Chickering（1995）提供了一个转换表征的马尔可夫等价的DAG（没有潜在的变量），这是有用的推导性质的马尔可夫等价的DAG共享，并与一定的推广，需要证明渐近正确性的搜索过程中马尔可夫等价类，称为GES算法。对于具有潜在变量的DAG模型，最大祖先图（MAG）提供了一种简洁的表示，便于模型搜索。然而，没有转换表征-类似于Chickering的-马尔可夫等效MAG尚未提供。本文建立了这样一个有向MAG，我们预计将有类似的用途，因为它为DAG的表征。
2012-07-04 cs.AI stat.ME
Alternative Markov and Causal Properties for Acyclic Directed Mixed Graphs
Linköping University（林雪平大学）
我们扩展Anderson-Madigan-Perlman链图（i）放松半有向无环约束，使只有有向循环是禁止的，（ii）允许任何一对节点之间的两个边缘。我们引入全球，并下令当地和成对的马尔可夫性的新模型。我们证明了严格正概率分布的这些性质的等价性。我们还表明，当随机变量是连续的，新的模型可以解释为系统的结构方程与相关的错误。这使我们能够适应珍珠的做演算。最后，我们描述了一种精确的算法，通过答案集编程从观察和干预数据中学习新模型。
2016-02-19 cs.AI stat.ML
GraphRNN Revisited: An Ablation Study and Extensions for Directed Acyclic Graphs
University of Oxford（牛津大学）；University of Cambridge（剑桥大学）
本文复现并评估了GraphRNN架构，通过消融研究证实BFS遍历对性能贡献显著，并扩展其利用拓扑排序生成有向无环图，在真实数据集上显著优于有向多类变体。
2023-07-26 cs.AI cs.LG cs.SI
Fairness criteria through the lens of directed acyclic graphical models
Cornell University（康奈尔大学）
算法公平性的文献中有相当一部分提出、分析和操作了评估公平性的简单公式化标准。其中的两个标准，均衡赔率和按组校准，因其简单和直观的吸引力而受到极大的关注，但也因其不相容性而受到极大的关注。本章提供了一个角度的意义和后果，这些和其他公平标准使用图形模型，揭示了均衡赔率和相关标准最终是误导。对各种图形模型的评估表明，公平性标准最终应该是特定于具体情况的，并且对算法处理的信息的性质敏感。
2019-06-26 cs.AI cs.CY
LAYERWIDTH: Analysis of a New Metric for Directed Acyclic Graphs
University of California, Los Angeles（加州大学洛杉矶分校）
我们分析了一个新的属性的有向无环图（DAGs），层宽度，所产生的一类DAGs提出的Eiter和Lukasiewicz。这一类的DAG允许某些问题的结构模型为基础的因果关系和解释，可追溯地解决。在本文中，我们首先解决一个公开的问题，提出了Eiter和Lukasiewicz -计算复杂性决定是否一个给定的图有界的layerwidth。在证明这个问题是NP完全的之后，我们继续证明了层宽的许多重要属性，这些属性有助于有效地计算最佳层宽。最后，我们比较了这个新的DAG属性与其他两个重要的DAG属性：树宽和带宽。
2012-10-19 cs.AI cs.DM cs.DS
Directed Acyclic Graphs With Tears
Zhejiang University（浙江大学）
贝叶斯网络是工业过程故障检测与诊断的一种常用方法。贝叶斯网络的基础是结构学习，它从数据中学习有向无环图（DAG）。然而，随着过程变量的增加，搜索空间将呈超指数级扩展，这使得数据驱动的结构学习成为一个具有挑战性的问题。为此，使用NOTEAR方法的DAG正在得到很好的研究，不仅因为它们将离散优化转换为连续优化问题，而且还因为它们与深度学习框架的兼容性。然而，基于NOTEAR的方法仍然存在挑战：1）基于梯度下降的优化范式导致不可行的解; 2）截断操作以保证学习的图是非循环的。本文从理论上分析了挑战1）的原因，并提出了一种基于混合整数规划的新方法--带眼泪的DAG方法来缓解挑战2）。此外，先验知识能够纳入新提出的方法，使结构学习更实用和有用的工业过程。最后通过数值算例和工业算例验证了该方法的优越性。
2023-02-04 cs.AI cs.LG
A Topological Sorting Criterion for Random Causal Directed Acyclic Graphs
University of Copenhagen, Denmark（丹麦哥本哈根大学）
本文研究了随机因果DAG中可达节点数随因果顺序单调增加的特性，提出通过估计可达节点数进行因果顺序恢复，并讨论其对因果发现算法的影响。
2026-05-07 cs.AI stat.ME
Learning Discrete Directed Acyclic Graphs via Backpropagation
University College London（伦敦大学学院）；Amazon Web Services（亚马逊云科技）；University of Edinburgh（爱丁堡大学）；Inria（法国国家信息与自动化研究所）；ServiceNow
最近连续松弛已经被提出，以便通过反向传播从数据中学习有向无环图（DAG），而不是使用组合优化。然而，可以替代地应用用于完全离散反向传播的许多技术。在本文中，我们将探索这个方向，并提出DAG-DB，一个通过离散反向传播学习DAG的框架。基于隐式最大似然估计[I-MLE，arXiv：2106.01798]的架构，DAG-DB采用概率方法解决问题，从隐式概率分布中采样二进制邻接矩阵。DAG-DB从每个样本产生的损失中学习分布的参数，使用两种完全离散的反向传播技术（即I-MLE和直通估计）中的任何一种进行竞争。
2022-10-27 cs.AI cs.LG stat.ML
Directed Acyclic Graph Neural Networks
MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）；IBM Research（IBM研究院）
图结构数据在科学和工程中无处不在。图神经网络（GNN）旨在利用图中表现出的关系归纳偏差;在结构信息补充节点特征的情况下，它们已被证明优于其他形式的神经网络。最常见的GNN架构基于消息传递聚合来自邻域的信息。它的普遍性使它具有广泛的适用性。在本文中，我们专注于一个特殊的，但广泛使用的，类型的图-DAG-和注入一个更强的归纳偏见-偏序-到神经网络的设计。我们提出了\emph{directed acyclic graph neural network}，DAGNN，一个架构，处理信息的流程定义的偏序。DAGNN可以被认为是一个框架，它需要早期的工作作为特殊情况（例如，树的模型和模型更新节点表示循环），但我们确定了几个关键组件，以前的架构缺乏。我们在代表性的DAG数据集上进行了全面的实验，包括消融研究（即，源代码，神经架构和概率图形模型），并证明DAGNN优于简单的DAG架构以及一般的图形架构。
2021-02-02 cs.AI cs.LG
Counting Markov Equivalent Directed Acyclic Graphs Consistent with Background Knowledge
Tata Institute of Fundamental Research（塔塔基础研究院）
本文针对部分边方向固定时马尔可夫等价类有向无环图计数这一已知难问题，证明其为固定参数可计算，提出运行时间仅与图规模多项式相关且多项式次数不依赖额外边输入数的计数算法。
2023-06-13 cs.AI cs.CC cs.DM
Transformers over Directed Acyclic Graphs
Beihang University（北京航空航天大学）；MIT-IBM Watson AI Lab, IBM Research（MIT-IBM沃森人工智能实验室，IBM研究院）
本文针对有向无环图提出高效注意力机制和偏序位置编码，使图Transformer在源代码图分类和引文网络节点分类等任务上超越定制图神经网络并提升SOTA性能。
2023-10-30 cs.AI cs.LG
Learning Multiple Coordinated Agents under Directed Acyclic Graph Constraints
The Catholic University of Korea（韩国天主教大学）；Northwestern University（西北大学）
提出一种显式利用DAG结构的多智能体强化学习方法，通过MARLM-SR替代价值函数和领导/奖励分配智能体训练机制，在含英特尔工厂调度的四个DAG环境中优于非DAG方法。
2023-07-13 cs.AI cs.LG cs.MA
Bayesian Soft Actor-Critic: A Directed Acyclic Strategy Graph Based Deep Reinforcement Learning
University of Georgia（佐治亚大学）
本文提出基于贝叶斯链式的有向无环策略图分解方法，并与 SAC 结合构建 BSAC，以提升资源受限智能体在复杂环境中的连续控制训练效率。
2023-12-04 cs.AI cs.LG cs.RO
Weighted First Order Model Counting with Directed Acyclic Graph Axioms
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；University of Trento（特伦托大学）
本文研究带有有向无环图公理的加权一阶模型计数，证明该片段是域可提升的，并提出基于容斥原理的计数方法。
2023-05-08 cs.AI cs.CC cs.LO
Fast Causal Orientation Learning in Directed Acyclic Graphs
Sharif University of Technology（谢里夫理工大学）
一组变量之间的因果关系通常由有向无环图表示。因果DAG中的一些边缘的方向可以从观察/干预数据中发现。可以通过迭代地应用所谓的Meek规则来定向另外的边缘。因果定向学习是因果发现任务中的一个常见问题。在这些任务中，通常需要解决多个COL问题，因此应用Meek规则可能非常耗时。受Meek规则的启发，我们引入了Meek函数，可以用来解决COL问题。特别是，我们表明，这些功能有一些理想的属性，使我们能够加快应用Meek规则的过程。特别是，我们提出了一个基于动态规划（DP）的方法来应用Meek函数。此外，基于所提出的DP方法，我们提出了一个下界的边缘，可以定向作为干预的结果的数量。我们还提出了一种方法来检查是否有一些定向边缘属于因果DAG。实验结果表明，所提出的方法可以优于以前的工作在几个因果发现任务的运行时间。
2022-05-27 cs.AI cs.DS cs.LG
