with h now ranging over TOMs rather

with h now ranging over TOMs rather than DAGs.
Algorithm 9.2 CaMML Metropolis Algorithm
1. First, an initial TOM is selected at random. Call this M.10
2. Randomly choose between the following possible changes to the current model
M producing M0:
(a) Temporal order change: Swap the order of two neighboring nodes. (If
there is an arc between them, it reverses direction.)
8Incidentally, a number of other causal discovery algorithms also search the TOM space, although
they derive no special benefit from that in computing a metric. E.g., Larra˜naga et al. (1996), de Campos
et al. (2000), Teyssier and Koller (2005).
9Note that this implies that the MML metric derived below in (9.16) does not apply to DAGs. A
direct application of it to DAGs would once again require counting the number of linear extensions, so as
to adjust the code length in the manner above.
10To make the search more effective, in practice this step is replaced by a simulated annealing search
for a good initial TOM.

Kết quả (Việt) 1:

với h bây giờ khác nhau, trên TOMs chứ không phải là DAGs.Thuật toán 9.2 CaMML Metropolis thuật toán1. trước tiên, một TOM ban đầu được chọn ngẫu nhiên. Gọi M.10 này2. ngẫu nhiên chọn giữa những thay đổi có thể sau đây để các mô hình hiện tạiM0 M sản xuất:(a) thời gian để thay đổi: trao đổi thứ tự của hai nút lân cận. (Nếucó là một cung giữa chúng, nó đảo ngược hướng.)8Incidentally, một số thuật toán phát hiện ra nguyên nhân khác cũng tìm không gian TOM, mặc dùhọ lấy được không có lợi ích đặc biệt từ đó trong tính toán số liệu một. Ví dụ:, Larra˜naga et al. (1996), de Camposet al. (2000), Teyssier và Koller (2005).9Note rằng điều này ngụ ý rằng các số liệu MML nguồn gốc dưới đây (9.16) không áp dụng cho DAGs. Atrực tiếp áp dụng để DAGs một lần nữa sẽ đòi hỏi phải đếm số tuyến tính phần mở rộng nhất, như vậy làđể điều chỉnh chiều dài mã theo cách ở trên.10To làm cho việc tìm kiếm hiệu quả hơn, trong thực tế bước này được thay thế bởi một tìm kiếm tôi mô phỏngcho một TOM ban đầu tốt.

Kết quả (Việt) 2:

với h doanh nghiệp khác nhau, trên Toms hơn là DAG.
Algorithm 9.2 CaMML Metropolis Algorithm
1. Đầu tiên, một TOM ban đầu được lựa chọn ngẫu nhiên. Gọi này M.10
2. Ngẫu nhiên lựa chọn giữa những thay đổi có thể sau đây để các mô hình hiện tại
M sản xuất M0:
(a) thay đổi thứ tự Temporal: Trao đổi các thứ tự của hai nút lân cận. (Nếu
có một vòng cung giữa chúng, nó đảo ngược hướng.)
8Incidentally, một số thuật toán phát hiện nguyên nhân khác cũng tìm kiếm các không gian TOM, mặc dù
họ thu được không có lợi ích đặc biệt từ đó trong tính toán metric. Ví dụ, Larra~naga et al. (1996), de Campos
et al. (2000), TEYSSIER và Koller (2005).
9Note rằng điều này hàm ý rằng số liệu MML có nguồn gốc bên dưới trong (9.16) không áp dụng cho DAG. Một
ứng dụng trực tiếp của nó đến DAG sẽ một lần nữa yêu cầu đếm số lượng các phần mở rộng tuyến tính, như vậy là
để điều chỉnh độ dài mã trong các cách trên.
10To làm cho việc tìm kiếm hiệu quả hơn, trong thực tế bước này được thay thế bởi một tìm kiếm mô phỏng luyện kim
cho một TOM ban đầu tốt.