顺序一致因果图的多任务学习
机器学习
2021-11-05 v1 机器学习
摘要
我们考虑发现K个相关高斯有向无环图（DAG）的问题，其中涉及的图结构共享一致的因果顺序和稀疏的支撑集并集。在多任务学习设置下，我们提出了一种l1/l2正则化最大似然估计器（MLE）来学习K个线性结构方程模型。我们从理论上证明，通过利用相关任务间的数据，联合估计器在恢复因果顺序（或拓扑顺序）方面可以实现比单独估计更好的样本复杂度。此外，联合估计器能够通过将不可识别的DAG与一些可识别的DAG一起估计来恢复它们。最后，我们的分析还显示了结构联合支撑恢复的一致性。为了实现实际实现，我们设计了一个连续优化问题，其优化器与联合估计器相同，并且可以通过迭代算法高效近似。我们在实验中验证了理论分析和联合估计器的有效性。
引用
@article{arxiv.2111.02545,
title = {Multi-task Learning of Order-Consistent Causal Graphs},
author = {Xinshi Chen and Haoran Sun and Caleb Ellington and Eric Xing and Le Song},
journal= {arXiv preprint arXiv:2111.02545},
year = {2021}
}
备注
35th Conference on Neural Information Processing Systems (NeurIPS 2021)