High-dimensional consistency in score-based and hybrid structure learning
基于评分及混合方法的结构学习：高维一致性AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究贝叶斯网络的统计结构学习，未明确讨论因果识别或经济网络中的干扰效应。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于评分及混合方法的结构学习：高维一致性
- 研究问题
- 贝叶斯网络的评分式和混合结构学习方法能否在固定维及稀疏高维情形保持一致，搜索空间限制应如何调整？
- 方法与思路
- 作者让混合方法的搜索限制随算法当前状态自适应变化，分析 GES 与 ARGES 的一致性，并用模拟比较算法表现。
- 材料陈述的贡献
- 摘要称，自适应限制支持经典情形的一致性，GES 和 ARGES 在若干稀疏高维设定下一致，ARGES 可处理数千变量的稀疏图。
- 阅读关注点
- 应核对结构恢复目标、稀疏性与其他模型条件、搜索限制更新规则，以及模拟中相对 PC 算法的比较指标和设计。
- 阅读边界
- 仅据版本未注明的索引摘要，未说明一致性所需的完整假设；模拟中通常优于 PC 的陈述不能视为统一性能优势。
原文摘要
Main approaches for learning Bayesian networks can be classified as constraint-based, score-based or hybrid methods. Although high-dimensional consistency results are available for constraint-based methods like the PC algorithm, such results have not been proved for score-based or hybrid methods, and most of the hybrid methods have not even shown to be consistent in the classical setting where the number of variables remains fixed and the sample size tends to infinity. In this paper, we show that consistency of hybrid methods based on greedy equivalence search (GES) can be achieved in the classical setting with adaptive restrictions on the search space that depend on the current state of the algorithm. Moreover, we prove consistency of GES and adaptively restricted GES (ARGES) in several sparse high-dimensional settings. ARGES scales well to sparse graphs with thousands of variables and our simulation study indicates that both GES and ARGES generally outperform the PC algorithm.