最近，稀疏性促进L1正则化被成功用于学习无向图模型的结构。
Sparsity-promoting L1-regularization hasrecently been succesfully used to learn the structure of undirected graphicalmodels.
在本文中，我们应用这种技术来学习有向图形模型的结构。
In this paper, we apply this technique tolearn the structure of directed graphical models.
具体来说，我们做出了以下三方面的贡献。
Specifically, we make three contributions.
首先，我们展示了MDL分数的可分解性，以及快速计算整个正则化路径的能力，允许我们在每个节点的基础上有效地选择最优正则化参数。
First, we show how the decomposability ofthe MDL score, plus the ability to quickly compute entire regularization paths,allows us to efficiently pick the optimal regularization parameter on aper-node basis.
其次，在DAG搜索阶段之前，我们展示了如何使用L1变量来选择马尔可夫毯。
Second, we show how to use L1 variableselection to select the Markov blanket, before a DAG search stage.
最后，我们给出了如何在命令搜索算法中使用L1变量选择方法。
Finally, we show how L1 variable selectioncan be used inside of an order search algorithm.
将这些基于L1方法的有效性在10组数据集上与现有技术进行了比较分析。
The effectiveness of these L1-basedapproaches are compared to current state of the art methods on 10 datasets.
源码地址：
https://www.cs.ubc.ca/~murphyk/Software/DAGlearn/index.html
下载英文原文地址：
http://page2.dfpan.com/fs/1lcej2a210290168b01/
更多精彩文章请关注微信号：
