通过过离散打分（ODS）学习二次方差函数（QVF）DAG模型
机器学习
2017-05-01 v1 机器学习
摘要
学习 DAG（有向无环图）或贝叶斯网络模型是多变量因果推断中的一个重要问题。然而，由于有向图的空间巨大，在学习大规模 DAG 模型时出现了包括模型可识别性和计算复杂性在内的若干挑战。在本文中，我们针对一类广泛的噪声或方差依赖于信号的 DAG 模型，分若干步骤解决了这些问题。首先，我们引入了一类新的可识别 DAG 模型，其中每个节点具有方差为均值二次函数（QVF DAG 模型）的分布。我们的 QVF DAG 模型包含许多有趣的分布类，如泊松、二项、几何、指数、伽马以及许多其他噪声方差依赖于均值的分布。我们证明了这类 QVF DAG 模型是可识别的，并引入了一种新算法，即过离散打分（ODS）算法，用于学习大规模 QVF DAG 模型。我们的算法首先学习 DAG 的道德化或无向图模型表示以缩减 DAG 搜索空间，然后利用二次方差性质学习因果序。我们通过理论结果与模拟表明，在道德化图度数有界的条件下，我们的算法在高维 p>n 设定中具有统计一致性，并且与最先进的 DAG 学习算法相比表现良好。
引用
@article{arxiv.1704.08783,
title = {Learning Quadratic Variance Function (QVF) DAG models via OverDispersion Scoring (ODS)},
author = {Gunwoong Park and Garvesh Raskutti},
journal= {arXiv preprint arXiv:1704.08783},
year = {2017}
}
备注
41 pages, 7 figures