في سعي مستمر لفهم العلاقات السببية من البيانات التجريبية، قام باحثون بدراسة تعلم الهياكل السببية ضمن نماذج Gaussian الخطية في ظل وجود دورات موجهة وعدد غير معروف من العوامل الخفية الخارجية. تمثل هذه الدراسة نقلة نوعية في الطريقة التي نتعامل بها مع الهياكل المعقدة والبيانات غير المكتملة.

تتضمن هذه الدراسة اشتقاقاً لارتباط الملاحظات، حيث تم تقديم مفهوم "التكافؤ الهامشي الكمي"، الذي يساعد في تحديد متى يتشارك نموذجين سببيين مجموعة كاملة من التوزيعات الملاحظة التي يمكن أن ينتجاها.

يتم صياغة تعلم الهياكل من خلال تقليل اللوجاريتم السلبي لاحتمالية Gaussian مع إضافة عقوبة تعقيد بعلاقة لوغاريتمية، تأخذ بعين الاعتبار الحواف الموجهة والعوامل الخفية. وقد أثبتت التجارب أن طريقتهم توفر معدلات خطأ أقل في الاسترداد مقارنة بالطرق السابقة، مما يشير إلى فعالية النهج الجديد في تحسين الأداء.

من خلال استخدام بوابات بيرنولي (Bernoulli gates) لتحديد إدراج الحواف الموجهة والعوامل الخفية المحتملة، يمكن تحسين الاحتمالات المستمرة بشكل مشترك مع معاملات بنية النموذج. النتائج التجريبية تؤكد أن النهج المقترح يتجاوز الطرق التقليدية

إذا كانت لديك آراء حول هذا الموضوع، فلا تتردد في مشاركتها معنا في التعليقات!