简介：我们开发了一个从数据中学习稀疏非参数化的有向无环图(DAG)的框架。我们的方法是基于最近DAG的代数约束，使得基于分数学习的DAG模型过程变得连续化。通过利用基于偏导数的非参数稀疏性，我们将这种代数表征扩展到非参数化的结构方程模型，从而产生一个可应用于各种非参数和半参数模型的连续优化问题，包括GLM、可加性模型和指数模型等。与需要特定建模选择、损失函数或算法的现有方法不同，我们提出了一个完全通用的框架，可以应用于一般非线性模型(例如，没有附加噪声)、一般可微分损失函数和一般黑盒优化。代码位于https://github.com/xunzheng/notears。

 

链接：http://proceedings.mlr.press/v108/zheng20a/zheng20a.pdf
推荐理由：本文提出了学习稀疏非参数化的因果结构的方法，具有很强的应用价值和理论价值。

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