Learning Sparse Fixed-Structure Gaussian Bayesian Networks
稀疏固定结构高斯贝叶斯网络的学习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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要重点是已知图结构下的概率分布学习；虽提及因果交互，但未直接研究因果效应识别或所列网络干扰问题。
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…
稀疏固定结构高斯贝叶斯网络的学习
- 研究问题
- 在网络结构已给定时，如何用有限样本学习稀疏高斯贝叶斯网络，并在总变差距离下控制整体分布误差？
- 方法与思路
- 作者分析逐节点最小二乘，并提出分批解取平均及分批线性方程解取中位数的方法，另研究适用于多树结构的特例。
- 材料陈述的贡献
- 摘要称最小二乘、分批平均法及多树中位数法具有近最优样本复杂度，并报告不同污染或图误设情形下的实验表现差异。
- 阅读关注点
- 核对固定结构及稀疏性的具体定义、样本复杂度上下界，以及多树限制、数据污染和图结构误设在理论与实验中的处理方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出复杂度公式或实验数值，不能据此推断未知结构下的学习保证。
原文摘要
Gaussian Bayesian networks (a.k.a. linear Gaussian structural equation models) are widely used to model causal interactions among continuous variables. In this work, we study the problem of learning a fixed-structure Gaussian Bayesian network up to a bounded error in total variation distance. We analyze the commonly used node-wise least squares regression (LeastSquares) and prove that it has a near-optimal sample complexity. We also study a couple of new algorithms for the problem: - BatchAvgLeastSquares takes the average of several batches of least squares solutions at each node, so that one can interpolate between the batch size and the number of batches. We show that BatchAvgLeastSquares also has near-optimal sample complexity. - CauchyEst takes the median of solutions to several batches of linear systems at each node. We show that the algorithm specialized to polytrees, CauchyEstTree, has near-optimal sample complexity. Experimentally, we show that for uncontaminated, realizable data, the LeastSquares algorithm performs best, but in the presence of contamination or DAG misspecification, CauchyEst/CauchyEstTree and BatchAvgLeastSquares respectively perform better.