Learning DAGs without imposing acyclicity
我们探讨,如果它是可能的学习有向无环图(DAG)的数据,而不明确施加的无环约束。特别是,对于高斯分布,我们框架的结构学习作为一个稀疏矩阵分解问题,我们的经验表明,解决一个$\ell_1$ -惩罚优化收益率良好的恢复的真实图,并在一般情况下,几乎DAG图。此外,这种方法是计算效率高,是不受爆炸的组合复杂性,在经典的结构学习算法。
2020-06-04 cs.LG stat.CO stat.ML
Causal Discovery in Equal Variance Linear Gaussian DAGs via SURE-Tuned Ridge Regression
University of Southern California(南加州大学)
针对因果发现中连续优化方法难以适配样本有限、计算有限场景的问题,提出SURE-Ridge方法,在小样本下结构汉明距离最低且所有样本量下运行时间最短。
2026-08-19 cs.LG eess.SP stat.ML
Hold-Out Scoring for Efficient Gaussian DAG Learning
Seoul National University(首尔大学)
提出 HOST 算法,通过留出评分与凸回归替代子集搜索,实现无需入度上界的高效高斯 DAG 学习,以 $d\log p$ 样本复杂度在多项式时间内精确恢复图结构。
2026-10-05 cs.LG stat.ML
Optimal estimation of Gaussian DAG models
University of Chicago(芝加哥大学)
研究了从观测数据中学习高斯有向无圈图(DAG)的最优样本复杂度。我们的主要结果建立了极小极大最优样本复杂性学习的线性高斯DAG模型的结构在两个设置的兴趣:1)在等方差下,没有知识的真实顺序,和2)对于一般的线性模型给定的知识的顺序。在这两种情况下,样本复杂度都是$n\asymp q\log(d/q)$,其中$q$是父节点的最大数量,$d$是节点的数量。我们进一步与学习(无向)高斯图模型的经典问题进行比较,表明在等方差假设下,这两个问题具有相同的最优样本复杂度。换句话说,至少对于具有相等误差方差的高斯模型,学习有向图模型在统计上并不比学习无向图模型更困难。我们的研究结果也扩展到更一般的识别假设以及亚高斯误差。
2022-03-20 cs.AI cs.LG math.ST
DAG-GNN: DAG Structure Learning with Graph Neural Networks
Lehigh University(理海大学);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室);IBM Research(IBM研究院)
从联合分布的样本中学习一个忠实的有向无环图(DAG)是一个具有挑战性的组合问题,这是由于图的搜索空间是图的节点数的超指数。最近的一个突破将该问题公式化为具有确保非循环性的结构约束的连续优化(Zheng等人,2018年)。作者应用的线性结构方程模型(SEM)和最小二乘损失函数,统计上合理,但仍然有限的方法。由于深度学习能够捕获复杂的非线性映射,因此在这项工作中,我们提出了一个深度生成模型,并应用结构约束的变体来学习DAG。生成模型的核心是一个变分自编码器,它由一个新的图神经网络架构参数化,我们称之为DAG-GNN。除了更丰富的能力,所提出的模型的优点是,它自然地处理离散变量以及向量值的。我们证明,在合成数据集上,所提出的方法学习更准确的图形非线性生成的样本;在具有离散变量的基准数据集上,学习的图形合理地接近全局最优值。代码可在\url{https://github.com/fishmoon1234/DAG-GNN}上获得。
2019-04-22 cs.AI cs.LG stat.ML
Direct Learning with Guarantees of the Difference DAG Between Structural Equation Models
从观测数据中发现变量之间的因果关系是许多科学学科的基本挑战。然而,在许多情况下,希望直接估计两种不同条件下因果关系的变化,例如,估计健康和患病受试者之间的遗传表达变化可以帮助分离疾病背后的遗传因素。本文主要讨论了直接估计两个结构方程模型(SEM)之间的结构差异的问题,这两个SEM具有相同的拓扑排序,给定两组样本从单个SEM中抽取.我们提出了一个原则性的算法,可以恢复的差异SEM在$\mathcal{O}(d^2 \log p)$样本,其中$d$是相关的$p$节点的差异SEM中的边缘的数量。我们还研究了基本的限制,并表明,任何方法都需要至少$Ω(d' \log \frac{p}{d'})$样本,以学习不同的SEM与最多$d'$父母每个节点。最后,我们验证了我们的理论结果与合成实验,并表明我们的方法优于国家的最先进的。此外,我们显示了我们的方法的实用性,使用数据从医疗领域。
2021-06-14 stat.ME stat.ML
Learning Identifiable Gaussian Bayesian Networks in Polynomial Time and Sample Complexity
Purdue University(普渡大学)
从观测数据中学习贝叶斯网络的有向无环图(DAG)结构是一个非常困难的问题,许多困难的结果是已知的。在本文中,我们提出了一个可证明的多项式时间算法学习稀疏高斯贝叶斯网络等噪声方差-一类贝叶斯网络的DAG结构可以唯一地识别从观测数据-在高维设置。我们表明,$O(k^4 \log p)$样本数足以让我们的方法恢复真正的DAG结构具有高概率,其中$p$是变量的数量和$k$是最大马尔可夫毯大小。我们得到我们的理论保证的条件下,称为限制强邻接忠实,这是严格弱于强忠实-一个条件,其他方法的基础上的条件独立性测试需要他们的成功。我们的方法的样本复杂性匹配的信息理论的限制方面的依赖$p$。我们表明,我们的方法优于现有的国家的最先进的方法来学习高斯贝叶斯网络在恢复真正的DAG结构,而速度相当的探试法。
2017-03-03 cs.LG stat.ML
Consistent DAG selection for Bayesian causal discovery under general error distributions
针对非高斯误差下的线性SEM因果结构学习问题,提出贝叶斯层次模型,刻画DAG分布等价类,证明采用非标准先验可实现后验DAG选择一致性,并通过示例与模拟验证。
2025-08-01 math.ST stat.ME stat.ML
MARCEDES: Score-based causal discovery under non-Gaussianity with continuous optimization
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Florida State University(佛罗里达州立大学);Texas A&M University(德州农工大学)
针对非高斯误差的结构方程模型,提出基于分数的DAG学习方法MARCEDES,通过连续优化与稀疏惩罚实现高效因果发现,模拟实验验证其优于现有方法。
2026-09-28 cs.LG stat.CO stat.ME
dotears: Scalable, consistent DAG estimation using observational and interventional data
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文提出dotears连续优化框架,结合观测与干预数据,在温和假设下一致地估计线性SEM的DAG结构,并在模拟和真实基因调控网络推断中优于现有方法。
2024-02-20 cs.LG stat.ML
Testing Directed Acyclic Graph via Structural, Supervised and Generative Adversarial Learning
London School of Economics and Political Science(伦敦政治经济学院);University of California at Berkeley(加州大学伯克利分校)
本文提出一种基于神经网络的DAG假设检验方法,允许非线性关联和时间相关数据,并提供了渐近保证,通过模拟和大脑连接网络分析验证了有效性。
2023-05-23 cs.LG stat.ML
BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery
Stanford University(斯坦福大学);Facebook AI Research(Facebook人工智能研究院);University of California, Los Angeles(加州大学洛杉矶分校)
结构方程模型(SEM)是一个有效的框架,通过一个有向无环图(DAG)表示的因果关系的原因。最近的进展使有效的最大似然点估计的DAG从观测数据。然而,在实际场景中,点估计可能无法准确地捕获推断基础图时的不确定性,其中真实DAG是不可识别的和/或观察到的数据集是有限的。我们提出了贝叶斯因果发现网(BCD网),一个变分推理框架,用于估计分布在DAG特征的线性高斯SEM。由于图的离散性和组合性,在DAG上开发完整的贝叶斯后验是具有挑战性的。我们分析了DAG上可扩展VI的关键设计选择,例如1)通过表达变分族对DAG进行参数化,2)实现低方差随机优化的连续松弛,以及3)潜在变量的合适先验。我们提供了一系列的真实和合成数据的实验表明,BCD网优于最大似然方法的标准因果发现指标,如结构汉明距离在低数据制度。
2021-12-06 cs.AI cs.LG stat.ML
A Uniformly Consistent Estimator of non-Gaussian Causal Effects Under the k-Triangle-Faithfulness Assumption
Kalisch and Bühlmann(2007)证明了对于线性高斯模型,在因果马尔可夫假设、强因果忠实性假设和因果充分性假设下,PC算法是线性高斯模型真实因果DAG的马尔可夫等价类的一致相合估计量;由此得出,对于马尔可夫等价类中可识别的因果效应,也存在因果效应的一致相合估计量。$k$ -三角忠诚假设是一个严格较弱的假设,它避免了强因果忠诚假设的一些不可信的含义,也允许马尔可夫等价类(在弱意义上)和可识别因果效应的一致相合估计。然而,这两个假设都局限于线性高斯模型。我们提出了广义$k$ -三角形可信度,它可以应用于任何光滑分布。此外,在广义$k$ -三角形可信度假设下,我们描述了边缘估计算法,该算法在某些情况下提供因果效应的一致估计(否则输出“无法分辨”),以及\textit{Very Conservative } $SGS$算法,该算法(在稍弱的意义上)是真实DAG的马尔可夫等价类的一致相合估计量。
2021-08-01 cs.LG stat.ME stat.ML
DAGs with No Curl: An Efficient DAG Structure Learning Approach
Lehigh University(理海大学);IBM Research(IBM研究院);Rensselaer Polytechnic Institute(伦斯勒理工学院)
最近,有向无环图(DAG)结构学习被表述为具有连续无环约束的约束连续优化问题,并通过子问题优化迭代求解。为了进一步提高效率,我们提出了一种新的学习框架,直接在DAG空间中建模和学习加权邻接矩阵。具体来说,我们首先表明,一组的加权邻接矩阵的DAG是等价的图势函数的加权梯度的集合,和一个可以执行结构学习搜索在这个等价的DAG。为了实例化这个想法,我们提出了一个新的算法,DAG-NoCurl,它有效地解决了优化问题的两个步骤:1)首先,我们找到一个初始的循环解决方案的优化问题,和2)然后我们采用Hodge分解的图形和学习一个非循环图通过投影的循环图的梯度的潜在功能。基准数据集上的实验研究表明,我们的方法提供了可比的准确性,但更好的效率比基线DAG结构学习方法的线性和广义结构方程模型,往往超过一个数量级。
2021-06-14 cs.AI cs.LG stat.ML
Deep Gaussian Processes on Directed Acyclic Graphs
University of Warwick(华威大学);Unilink Software Ltd(Unilink软件有限公司)
研究有向无环图上函数组合的相关问题,提出深度高斯过程,通过理论研究其行为,给出结构化变分近似,经实证验证,在多个任务中取得先进性能,能恢复低保真贡献并具有模拟器层次结构的可解释性。
2026-11-10 cs.LG math.ST stat.CO
Efficient Learning of Quadratic Variance Function Directed Acyclic Graphs via Topological Layers
City University of Hong Kong(香港城市大学);Xiamen University(厦门大学);Shanghai University of Finance and Economics(上海财经大学)
有向无环图(DAG)模型被广泛用于描述随机变量之间的因果关系。本文研究一类特殊的非高斯DAG模型,其中每个节点的条件方差在给定其父节点的情况下是其条件均值的二次函数。这类非高斯DAG模型相当灵活,并且允许许多流行的分布作为特例,包括泊松分布、二项式分布、几何分布、指数分布和Gamma分布。为了方便学习,我们引入了一个新的概念,拓扑层,并开发了一个有效的DAG学习算法。它首先以层次化的方式重建拓扑层,然后恢复不同层节点之间的有向边,这比文献中大多数现有算法需要更少的计算量。通过大量的仿真实例以及对两个真实数据集的应用,包括NBA球员统计数据和阿里巴巴化妆品销售数据,验证了该方法的优越性。
2021-11-01 cs.LG stat.ML
Consistent Bayesian causal discovery for structural equation models with equal error variances
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Texas A&M University(德克萨斯农工大学)
本文提出一种贝叶斯DAG选择方法,在假设高斯SEM和相等误差方差的情况下,利用关键性质证明该方法在无需额外分布假设下一致恢复真实图结构。
2026-03-23 math.ST stat.ME stat.ML
MM-DAG: Multi-task DAG Learning for Multi-modal Data -- with Application for Traffic Congestion Analysis
Tsinghua University(清华大学);University of Cologne(科隆大学);SenseTime Research(商汤科技研究院);Shanghai AI Laboratory(上海人工智能实验室);Hong Kong University of Science and Technology(香港科技大学)
本文提出多任务多模态 DAG 学习框架 MM-DAG,通过多模态回归和可微因果差异度量联合推断共享与特异因果结构,并在仿真和交通拥堵案例中验证其有效性。
2023-06-05 cs.LG stat.ML
Concave Penalized Estimation of Sparse Gaussian Bayesian Networks
University of California, Los Angeles(加州大学洛杉矶分校)
我们开发了一个惩罚似然估计框架,从观测数据中估计高斯贝叶斯网络的结构。与最近通过限制搜索空间来加速学习问题的方法相比,我们的主要贡献是一种基于分数的结构学习的快速算法,该算法不以任何方式限制搜索空间,并且适用于具有数千个变量的高维数据集。我们使用凹正则化,而不是更流行的$\ell_0$(例如BIC)惩罚,是新的。此外,我们提供了理论保证,推广现有的渐近结果时,基本分布是高斯分布。最值得注意的是,我们的框架不需要存在所谓的忠实的DAG表示,因此理论必须以一种新的方式处理估计问题的固有不可识别性。最后,作为一个独立的兴趣,我们提供了一个全面的比较,我们的方法,几个标准的结构学习方法,使用开源软件包开发的R语言。基于这些实验,我们表明,我们的算法是显着快于其他竞争的方法,同时获得较高的灵敏度与可比的错误发现率的高维数据。特别是,我们的方法生成具有8000个节点的DAG的20个估计的解决方案路径的总运行时间约为一小时。
2015-01-04 cs.LG stat.ME stat.ML
DAG Learning on the Permutahedron
ServiceNow Research(ServiceNow研究院);Amazon Web Services(亚马逊云科技);University College London(伦敦大学学院);Centre for AI(人工智能中心);Informatics Institute(信息学研究所);University of Amsterdam(阿姆斯特丹大学)
我们提出了一个连续的优化框架,发现一个潜在的有向无环图(DAG)从观测数据。我们的方法优化了置换向量的多面体,即所谓的Permutahedron,以学习拓扑排序。边可以被联合优化,或者通过不可微的子例程在排序的条件下学习。与现有的连续优化方法相比,我们的公式具有许多优点,包括:1.有效性:相对于优化近似DAG的其他松弛,优化精确DAG; 2.模块化:适应任何边缘优化过程、边缘结构参数化和优化损失; 3.端到端:在节点排序和边缘优化之间交替迭代,或者联合优化它们。我们证明,在蛋白质信号和转录网络发现的现实世界中的数据问题,我们的方法在于帕累托前沿的两个关键指标,SID和SHD。
2023-02-10 cs.AI cs.LG stat.ML
Learning Bayesian Networks through Birkhoff Polytope: A Relaxation Method
Texas A&M University(德州农工大学)
我们建立了一个新的框架,学习有向无环图(DAG)时,数据生成的高斯,线性结构方程模型。它由两部分组成:(1)引入置换矩阵作为正则化高斯对数似然中的新参数来表示变量排序;以及(2)给定排序,通过逆协方差阵的稀疏Cholesky因子来估计DAG结构。对于置换矩阵估计,我们提出了一种松弛技术,避免了NP-难的组合问题的顺序估计。给定一个排序,一个稀疏的乔莱斯基因子估计使用循环coordinatewise下降算法,逐行并行。我们的框架恢复DAG,而不需要昂贵的验证的非循环约束或枚举可能的父集。我们建立了数值收敛的算法,和一致性的Cholesky因子估计变量的顺序是已知的。通过几个模拟和宏观经济数据集,我们研究了所提出的方法的范围和性能。
2021-07-04 cs.LG stat.ML
Leveraging heterogeneity for identifiability: Bayesian order-based learning of multiple DAGs
University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文提出一种联合顺序评分框架,用于在异质数据设置下学习有向无环图模型的因果结构。通过展示利用异质性可提高因果顺序估计的准确性,提出基于顺序的贝叶斯方法,并在高维情况下建立其理论性质。
2026-05-15 stat.CO stat.ME stat.ML
Estimation of Structural Causal Model via Sparsely Mixing Independent Component Analysis
The Graduate University for Advanced Studies (SOKENDAI)(综合研究大学院大学);The Institute of Statistical Mathematics(统计数理研究所);RIKEN Center for Advanced Intelligence Project (AIP)(日本理化学研究所先进智能研究中心)
针对从观测数据推断稀疏因果结构时现有方法存在的不足,提出一种基于带稀疏性和一致性惩罚项的ICA对数似然的新方法,可同时估计因果顺序和参数,且数值实验显示其性能优于LiNGAM和NOTEARS等现有方法。
2020-09-07 cs.LG stat.ML
Minimal I-MAP MCMC for Scalable Structure Discovery in Causal DAG Models
Massachusetts Institute of Technology(麻省理工学院)
从数据中学习贝叶斯网络(BN)可以用于决策或发现因果关系。然而,传统的方法往往在现代应用中失败,这表现出更多的观察变量比数据点。由此产生的关于底层网络的不确定性以及结合先验信息的愿望推荐贝叶斯方法来学习BN,但是BN的高度组合结构对推理提出了惊人的挑战。目前最先进的方法,如顺序MCMC比以前的方法更快,但防止使用许多自然的结构先验,仍然有运行时间指数的最大程度的真正有向无环图(DAG)的BN。我们在这里提出了一个替代后验近似的基础上观察,如果我们将经验条件独立性测试,我们可以专注于一个高概率的DAG与每个订单的顶点。我们表明,我们的方法允许在先前的规范所需的灵活性,消除时间依赖的最大程度,并产生可证明良好的后验近似;此外,我们表明,它实现了优越的精度,可扩展性,和采样器混合在几个数据集。
2018-06-24 cs.LG stat.CO stat.ME
Causal Discovery via Bayesian Optimization
Deakin University(迪肯大学)
针对现有有向无环图学习方法准确率与样本效率不足的问题,提出基于贝叶斯优化的 DrBO 框架,利用 dropout 神经网络提升可扩展性,在更少时间和试验内高效发现高分的准确因果图。
2025-01-25 cs.LG stat.ML
Parameter Priors for Directed Acyclic Graphical Models and the Characterization of Several Probability Distributions
我们开发了简单的方法来构建参数先验模型之间的选择有向无环图(DAG)模型。特别是,我们引入了几个假设,允许建设的参数先验大量的DAG模型从一个小的评估。然后,我们提出了一种方法,直接计算每个DAG模型的边际似然给定一个随机样本,没有丢失的意见。我们将这种方法应用于高斯DAG模型,它包括一组递归的线性回归模型。我们证明了完全高斯DAG模型的唯一参数先验满足我们的假设是正态Wishart分布。我们的分析是基于以下新的Wishart分布的特征:让$W$是一个$n \times n$,$n \ge 3$,正定对称随机变量矩阵和$f(W)$是一个pdf的$W$。那么,f $(W)$是Wishart分布当且仅当对于$W$的每个块划分$W_{11},W_{12}, W'_{12}, W_{22}$,$W_{11} - W_{12} W_{22}^{-1} W'_{12}$独立于$\{W_{12},W_{22}\}$。还提供了正态和正态Wishart分布的类似表征。
2021-06-29 cs.LG math.ST stat.ML
Nonnegative DAG Learning via Concomitant Estimation
Northeastern University(东北大学);University of Rochester(罗切斯特大学);King Juan Carlos University(胡安·卡洛斯国王大学)
提出NoCo估计器,通过伴随估计与对数行列式约束,在非负权重下直接施加无环性,联合学习DAG结构及噪声方差,提升恢复性能。
2026-09-29 eess.SP stat.ML
Discrete Score Matching Enables Causal Discovery from Count Data
Seoul National University(首尔大学)
针对计数数据因果发现中导数不可用的问题,提出基于条件曲率分数(CCS)和非对角曲率分数(OCS)的DISCO算法,实现半参数GLM DAG的识别与恢复,实验验证了多种分布下的准确性和可扩展性。
2026-10-01 cs.LG stat.ML
DAGnosis: Localized Identification of Data Inconsistencies using Structures
University of Cambridge(剑桥大学)
本文提出 DAGnosis,用 DAG 编码训练数据的概率分布与特征独立性,以更准确检测部署样本的不一致性,并局部化解释其成因。
2024-02-28 cs.AI cs.LG stat.ML
Coarsening Linear Non-Gaussian Causal Models with Cycles
Department of Technology, Management and Economics, Technical University of Denmark(技术、管理与经济系,丹麦技术大学);Department of Mathematical Sciences, University of Copenhagen(数学科学系,哥本哈根大学)
本文提出在线性非高斯模型中放松高维无环性假设,通过低维因果DAG恢复因果结构,并证明其在观测等价类中的代表性。
2026-11-10 cs.AI cs.LG stat.ML
Structural restrictions in local causal discovery: identifying direct causes of a target variable
本文研究从观测数据中识别目标变量直接原因的局部因果发现,放宽假设并提出了两种实用算法,在基准和真实数据上验证了有效性。
2025-06-21 math.ST stat.ME stat.ML
Causal network learning with non-invertible functional relationships
UCLA Department of Biostatistics(加州大学洛杉矶分校生物统计系);UCLA Department of Statistics(加州大学洛杉矶分校统计系)
从观测数据中发现因果关系是许多领域的重要问题。最近的几个结果已经建立了可识别的因果DAG与非高斯和/或非线性结构方程模型(SEM)。本文主要研究了由不可逆函数定义的非线性随机误差模型,并提出了一种新的不可逆二元因果模型检验方法。我们进一步开发了一种方法,将此测试包含线性和非线性因果关系的DAG的结构学习。通过大量的数值比较,我们表明,我们的算法优于现有的DAG学习方法在识别因果图形结构。我们说明了我们的方法在学习因果网络的组合结合的转录因子从ChIP-Seq数据的实际应用。
2020-04-20 cs.LG stat.ML
Causal inference of brain connectivity from fMRI with $ψ$-Learning Incorporated Linear non-Gaussian Acyclic Model ($ψ$-LiNGAM)
Tulane University(杜兰大学);University of Nebraska Medical Center(内布拉斯加大学医学中心);Mind Research Network(心智研究网络);Georgia State University(佐治亚州立大学);Georgia Institute of Technology(佐治亚理工学院);Emory University(埃默里大学)
功能连接(FC)已经成为通过识别大脑网络相互作用以及最终这些相互作用如何产生认知来理解大脑功能的主要手段。FC的一个流行定义是通过测量大脑区域之间的统计关联。然而,这可能是有问题的,因为关联只能提供空间联系,而不能提供感兴趣区域之间的因果互动。因此,有必要研究它们之间的因果关系。有向无环图(DAG)模型在FC研究中得到了广泛应用,但常常遇到样本量有限、变量数目多(即高维问题)等问题,导致计算困难和收敛性问题。因此,DAG模型的使用是有问题的,其中DAG模型的识别通常是非确定性多项式时间困难(NP-困难)的。为此,我们提出了一个$ψ$学习纳入线性非高斯非循环模型($ψ$ -LiNGAM)。我们使用的关联模型($ψ$ -学习),以促进因果推断和模型的工作,特别是高维的情况下。仿真结果表明,该方法在检测图的结构和方向方面比现有的几种方法具有更好的鲁棒性和准确性。然后,我们将其应用于从公开的费城神经发育队列(PNC)获得的静息状态fMRI(rsfMRI)数据,以研究认知差异,其中包括855名8-22岁的个体。其中,我们已经确定了三种类型的枢纽结构:在枢纽,出枢纽和和枢纽,分别对应于接收,发送和中继信息的中心。我们还发现了16对最重要的因果流。其中几个结果已被证实具有生物学意义。
2020-06-16 cs.LG stat.ML
The interventional Bayesian Gaussian equivalent score for Bayesian causal inference with unknown soft interventions
描述系统的因果关系是许多科学领域的基本任务,理想情况下通过实验研究来解决。然而,在干预情景下获得数据可能并不总是可行的,而从纯观测数据中发现因果关系是众所周知的挑战。在某些情况下,如基因组学,我们可能有来自异质性研究条件的数据,软(部分)干预仅涉及研究变量的子集,其影响和目标可能是未知的。结合实验和观察研究的数据提供了利用这两个领域并提高因果结构可识别性的机会。为此,我们定义了干预性BGe评分的混合观察和干预数据,干预的目标和效果可能是未知的。为了证明这种方法,我们将其性能与其他最先进的算法进行比较,无论是在模拟还是数据分析应用中。我们的方法的特权是,它需要一个贝叶斯的角度,导致一个完整的特性的后验分布的DAG结构。给定DAG样本,也可以自动导出干预效应的完整后验分布。因此,该方法有效地捕捉结构和参数估计的不确定性。复制模拟和分析的代码可在github.com/jackkuipers/iBGe上公开获得
2022-05-05 stat.ME stat.ML
Concomitant DAG Learning: On the Roles of Noise Adaptivity, Sparsity, and Non-negativity
University of Rochester(罗切斯特大学);Rey Juan Carlos University(雷伊胡安卡洛斯大学);Elastic
本文通过将DAG结构学习转化为连续的基于得分的估计问题,综述了信号处理和优化领域的最新进展,以解决可扩展性和可识别性挑战,并介绍了伴随DAG估计方法,该方法联合推断稀疏因果结构和外生噪声水平,提高了对异方差性和分布偏移的鲁棒性。
2026-10-09 eess.SP stat.ML