拆解NOTEARS：通过方差操纵控制图预测
机器学习
2022-06-16 v1
摘要
仿真在机器学习中无处不在。尤其在图学习中，有向无环图(DAG)的仿真正被部署用于评估新算法。文献中近来有论点指出，诸如NOTEARS等面向结构发现的连续优化方法，可能因其使用最小二乘损失而利用了变量方差在可用数据中的可排序性。具体而言，由于结构发现是科学及更广领域中的关键问题，我们希望对用于度量数据的尺度保持不变性(例如米与厘米不应影响算法推断出的因果方向)。在本工作中，我们通过在多变量情形下证明关键结果并以进一步经验证据佐证，强化了这一初步的负面经验提示。特别地，我们展示可通过有针对性的方差攻击控制所得图，即便在仅能部分操纵数据方差的情形下亦然。
引用
@article{arxiv.2206.07195,
title = {Tearing Apart NOTEARS: Controlling the Graph Prediction via Variance Manipulation},
author = {Jonas Seng and Matej Zečević and Devendra Singh Dhami and Kristian Kersting},
journal= {arXiv preprint arXiv:2206.07195},
year = {2022}
}
备注
Main paper: 5.5 pages, References: 1 page, Supplement: 2 pages. Main paper: 3 figures, Supplement: 1 figure, 1 table