dag-learning

提出了一个非参数混合框架 DECO，通过从观测数据中提取依赖性与方向性证据，在精确 DAG 结构学习之前剪除不受数据支持的父集配置，从而指数级缩小搜索空间，同时在基准贝叶斯网络与合成 DAG 上保持竞争力的结构恢复性能。

本文介绍SURE-Ridge，一种用于等方差线性高斯SEMs因果发现的非迭代、闭合形式方法，在小样本和计算受限的条件下，与现有基线方法相比，实现了更优的性能。

本文从理论上分析了连续DAG学习中的支持选择，表明仅靠平滑无环约束无法在可行性之外对支持进行排序，推导了NOTEARS/DAGMA的选择时间，并对320条轨迹进行了经验审计。