简介：在许多科学领域中，使用观察和介入数据学习因果图形模型的结构是一个基本问题。一个很有前途的方向是对基于分数的方法进行持续优化，这种方法以数据驱动的方式有效地学习因果图。然而，到目前为止，这些方法需要约束优化来加强无环性或缺乏收敛保证。在本文中，我们提出了ENCO，一种有效的结构学习方法，利用观测和干预数据，用于有向、无环因果图。ENCO将图搜索定义为一种独立边缘可能性的优化，边缘方向被建模为一个单独的参数。因此，我们可以在温和的条件下提供ENCO的收敛保证，而无需对评分函数进行无环性约束。在实验中，我们证明了ENCO能够有效地恢复具有数百个节点的图，这比以前的可能性要大一个数量级，能够同时处理确定性变量和潜在的混杂因素。

论文链接：http://arxiv.org/abs/2107.10483

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