निर्देशित बिन चक्रीय ग्राफ पर समन्वित बहु-इलाकाई सीखना

कारणात्मक निर्देशित बिन चक्रीय ग्राफ (DAGs) की संरचना को सीखना मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस के कई क्षेत्रों में उपयोगी है, जिसके व्यापक अनुप्रयोग हैं। हालांकि, उच्च-आयामी सेटिंग में, मजबूत और अक्सर प्रतिबंधात्मक धारणाओं के बिना अच्छे अनुभवात्मक और सैद्धांतिक परिणाम प्राप्त करना चुनौतीपूर्ण होता है। इसके अतिरिक्त, यह संदिग्ध है कि क्या नेटवर्क में शामिल किए जाने का दावा किए गए सभी चर प्रेक्षणीय हैं। इसलिए, प्रासंगिक और विश्वसनीय निष्कर्षों के लिए चर के उप-समुच्चय पर ध्यान केंद्रित करना दिलचस्प है। वास्तव में, विभिन्न अनुशासनों में शोधकर्ता आमतौर पर कारणात्मक खोज के लिए नेटवर्क में लक्षित नोड्स का एक सेट चुन सकते हैं। यह पेपर बहु-उपयोगकर्ता निर्दिष्ट लक्षित नोड्स के चारों ओर स्थानीय संरचना का अनुमान लगाने के लिए एक नई सीमा-आधारित विधि विकसित करता है, जो पड़ोसों के बीच संरचना सीखने में समन्वय को सक्षम बनाता है। हमारी विधि पूरे DAG संरचना को सीखे बिना कारणात्मक खोज को सरल बनाती है। हम वास्तव में ग्राफ में लक्षित नोड्स के स्थानीय पड़ोसी संरचना के संदर्भ में अपने एल्गोरिदम के लिए स्थिरता परिणाम स्थापित करते हैं। कृत्रिम और वास्तविक दुनिया के डेटा पर प्रयोगात्मक परिणाम दिखाते हैं कि हमारा एल्गोरिदम पड़ोसी संरचनाओं को सीखने में मानक विधियों की तुलना में बहुत कम कम्प्यूटेशनल लागत पर अधिक सटीक है जो पूरे DAG का अनुमान लगाते हैं। हमारे विधियों को लागू करने वाला एक R पैकेज यहाँ एक्सेस किया जा सकता है: https://github.com/stephenvsmith/CML.