简介：由于搜索空间规模为节点数的超指数量级，从联合分布的样本中学习可靠有向无环图是一个具有挑战性的组合问题。最近的一项突破将该问题表述为具有结构约束的连续优化，以确保无循环性(Zheng et al.， 2018)。作者应用了线性结构方程模型(SEM)和最小二乘损失函数的方法，这些方法在统计上得到了很好的证明，但仍然是有限的。由于深度学习的广泛成功，能够捕获复杂的非线性映射，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有向无环图。生成模型的核心是一个变分自编码器，它由一种新的图神经网络结构参数化，我们称之为DAG-GNN。除了更丰富的容量外，所提出的模型的一个优点是它自然地处理离散变量和向量值变量。我们证明，在合成数据集上，提出的方法对非线性生成的样本可以学习到更精确的图; 在带有离散变量的基准数据集上，学习到的图接近于全局最优。代码位于https:// github.com/fishmoon1234/DAG-GNN。

链接：https://arxiv.org/abs/1904.10098

推荐理由：本文利用DAG约束，使用深度模型来学习因果结果，具有很强的启发意义和应用价值。

内容中包含的图片若涉及版权问题，请及时与我们联系删除