简介：结构方程模型(SEM)是对有向无环图(DAG)所表示的因果关系进行推理的有效框架。最近的进展使得从观测数据中有效地估计DAG的最大似然点成为可能。然而，在真实的DAG是不可识别的和/或观测数据有限的情况下，点估计可能不能准确地刻画推断潜在图过程中的不确定性。我们提出了贝叶斯因果发现网络，一个变分推理框架，用于估计线性高斯SEM的DAG的分布。由于图的离散和组合性质，在DAG上开发一个完整的贝叶斯后验是具有挑战性的。我们分析了可扩展VI在DAG上的关键设计选择，例如 1)通过有表达能力的变分族来参数化DAG,  2)实现低方差连续随机优化的近似，以及 3)选取恰当的隐变量先验分布。我们提供了一系列关于真实数据和模拟数据的实验，表明在低维数据下，所提出方法在标准因果发现指标(如结构汉明距离)上优于最大似然方法。

链接：https://nips.cc/Conferences/2021/ScheduleMultitrack?event=28001 
推荐理由：本文提出使用贝叶斯网络来估计DAG图，特别是刻画估计过程中的不确定性，具有一定的应用价值。

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