简介：我们提出了一个新的可微概率模型(DP-DAG)。DP- DAG允许快速和可微分的DAG采样适合于连续优化。为此，DP-DAG对DAG进行采样，方法是依次(1)对节点进行线性排序采样，(2)对与采样线性排序一致的边进行采样。我们进一步提出了VI-DP-DAG，一种将DP-DAG与变分推理相结合的观测数据DAG学习新方法。因此，VI-DP-DAG近似于给定观测数据的DAG边的后验概率。与现有的可微分DAG学习方法相比，VI-DP-DAG保证在训练过程中随时输出有效的DAG，并且不需要任何复杂的增广拉格朗日优化方案。在我们广泛的实验中，我们在合成和真实数据集上比较了VI-DP-DAG和其他可微分DAG学习基线。VI-DP-DAG显著改善了DAG结构和因果机制学习，且训练速度快于竞争对手。

论文链接：https://openreview.net/pdf?id=9wOQOgNe-w

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