graphical-models

本文提出二部图因果模型（BGCMs），以解决在具有循环依赖的平衡系统中因果干预的歧义性，推广了现有的框架，如 Causal Bayesian Networks 和 Structural Causal Models。

本文提出了一种用于学习图马尔可夫毯的忠实性假设的k阶松弛，并引入了一个概念验证算法（kOMB），即使在忠实性违反情况下（如奇偶类型关系），也能恢复马尔可夫毯。

这篇论文提供了211页的纸笔练习合集，涵盖了机器学习的关键主题，包括线性代数、优化、图模型和变分推断，旨在作为教育资源。