# Learning Discrete Directed Acyclic Graphs via Backpropagation

**Authors:** Andrew J. Wren, Pasquale Minervini, Luca Franceschi, Valentina Zantedeschi  
**arXiv:** [2210.15353](https://arxiv.org/abs/2210.15353)  
**Date:** 2022-10-27  
**Summary page:** https://www.summarizepaper.com/fr/paper/2210.15353v1/

## Key points

- Des techniques de rétropropagation entièrement discrètes ont été proposées pour apprendre des graphes acycliques dirigés (DAG) à partir de données.
- DAG-DB est un cadre pour apprendre des DAG par rétropropagation discrète.
- DAG-DB adopte une approche probabiliste en échantillonnant des matrices d'adjacence binaires à partir d'une distribution de probabilité implicite.
- Elle utilise les techniques de rétropropagation entièrement discrètes I-MLE et l'estimation Straight-Through (SFE).
- Les résultats montrent que pour les données linéaires, DAG-DB est supérieure aux méthodes combinatoires testées ici.
- Elle peut également s’adapter aux données générées par des modèles non linéaires ainsi qu’aux données discrètes ou aux modèles causaux.
- Des recherches futures peuvent explorer son potentiel dans différents domaines tels que la biologie systémique et la reconnaissance automatique d'image médicale.

## Summary

Récemment, des techniques de rétropropagation entièrement discrètes ont été proposées pour apprendre des graphes acycliques dirigés (DAG) à partir de données. Pour cela, nous avons exploré cette direction et proposons DAG-DB, un cadre pour apprendre des DAG par rétropropagation discrète. Basée sur l'architecture de l'estimation maximale de vraisemblance implicite [I-MLE], DAG-DB adopte une approche probabiliste en échantillonnant des matrices d'adjacence binaires à partir d'une distribution de probabilité implicite. De plus, elle utilise les techniques de rétropropagation entièrement discrètes I-MLE et l'estimation Straight-Through (SFE). Les résultats montrent que pour les données linéaires, DAG-DB est supérieure aux méthodes combinatoires testées ici. Elle peut également s’adapter aux données générées par des modèles non linéaires ainsi qu’aux données discrètes ou aux modèles causaux. Des recherches futures peuvent explorer son potentiel dans différents domaines tels que la biologie systémique et la reconnaissance automatique d'image médicale.