time. When we adopt a DAG, without

time. When we adopt a DAG, without a total ordering, to represent a causal process,
we are representing our ignorance about the underlying causal story by allowing multiple,
consistent TOMs to be entertained. Our ignorance is not in-principle ignorance:
as our causal understanding grows, new variables will be identified and placed within
it. It is entirely possible that in the end we shall be left with only one possible linear
extension for our original problem. Hence, the more TOMs (linear extensions) that
are compatible with the original DAG we consider, the more possible ways there are
for the DAG to be realized and, thus, the greater the prior probability of its being
true.
In short, not only is it correct MML coding practice to adjust for the number of
linear extensions in estimating a causal model’s code length, it is also the correct
Bayesian interpretation of causal inference.
This subsection might well appear to be an unimportant aside to the reader, especially
in view of the fact that counting linear extensions is exponential in practice
(Brightwell and Winkler, 1990). In consequence, the MML code presented so far
does not directly translate into a tractable algorithm for scoring causal models. Indeed,
its direct implementation in a greedy search was never applied to problems
with more than ten variables for that reason (Wallace et al., 1996). However, TOMs
figure directly in the sampling solution of the search and MML scoring problem, in
section x9.6 below.7
9.5.2

Kết quả (Việt) 1:

thời gian. Khi chúng tôi áp dụng một DAG, mà không có một tổng số thứ tự, đại diện cho một quá trình quan hệ nhân quả,chúng tôi đại diện cho sự thiếu hiểu biết của chúng tôi về những câu chuyện nguyên nhân tiềm ẩn bằng cách cho phép nhiều,TOMs phù hợp để được giải trí. Sự thiếu hiểu biết của chúng tôi không phải là sự thiếu hiểu biết trong nguyên tắc:Khi chúng tôi hiểu quan hệ nhân quả phát triển, biến mới sẽ được xác định và đặt trong vòngnó. Nó là hoàn toàn có thể rằng cuối cùng chúng tôi sẽ được trái với chỉ có một tốt tuyến tínhphần mở rộng cho vấn đề ban đầu của chúng tôi. Do đó, thêm TOMs (Tiện ích mở rộng tuyến tính) màtương thích với bản gốc DAG chúng tôi xem xét, những cách nhiều hơn có thể cóDAG sẽ được thực hiện và, do đó, các lớn hơn khả năng trước của nó làsự thật.Trong ngắn hạn, không chỉ là nó đúng MML mã hóa thực hành để điều chỉnh cho số lượngTiện ích mở rộng tuyến tính trong ước tính một mô hình quan hệ nhân quả mã chiều dài, nó cũng là chính xácGiải thích nguyên nhân suy luận Bayes.Tiểu mục này cũng có thể xuất hiện để là một sang một bên không quan trọng để đọc, đặc biệt làTheo quan điểm của một thực tế rằng đếm Tiện ích mở rộng tuyến tính là mũ trong thực tế(Brightwell và Winkler, 1990). Trong đó, mã MML trình bày cho đến naykhông trực tiếp dịch thành một thuật toán nhiều để ghi các mô hình quan hệ nhân quả. Thật vậy,thực hiện trực tiếp trong một tìm kiếm tham lam đã không bao giờ được áp dụng cho các vấn đềvới hơn mười biến vì lý do đó (Wallace và ctv., 1996). Tuy nhiên, TOMsnhân vật trực tiếp trong các giải pháp lấy mẫu tìm kiếm và vấn đề ghi MML, trongphần x9.6 below.79.5.2

Kết quả (Việt) 2:

thời gian. Khi chúng tôi áp dụng một DAG, mà không có một tổng số đặt hàng, để đại diện cho một quá trình quan hệ nhân quả,
chúng tôi đang đại diện cho sự thiếu hiểu biết của chúng tôi về những câu chuyện nhân quả cơ bản bằng cách cho phép nhiều,
Toms phù hợp để được giải trí. Sự thiếu hiểu biết của chúng tôi không phải là sự thiếu hiểu biết về nguyên tắc:
như sự hiểu biết nhân quả của chúng tôi phát triển, biến mới sẽ được xác định và đặt trong
nó. Điều này hoàn toàn có thể là cuối cùng chúng ta sẽ chỉ còn lại một tuyến tính có thể
mở rộng cho các vấn đề ban đầu của chúng tôi. Do đó, các Toms hơn (phần mở rộng tuyến tính) mà
là tương thích với các DAG ban đầu chúng tôi xem xét, càng nhiều cách có thể có
cho DAG được nhận ra và, do đó, các xác suất trước lớn hơn để được nó
đúng.
Trong ngắn hạn, không chỉ là nó đúng MML mã hóa thực hành để điều chỉnh cho số
phần mở rộng tuyến tính trong việc ước tính chiều dài mã một mô hình nhân quả, nó cũng là chính xác
giải thích Bayesian của suy luận nhân quả.
tiểu mục này cũng có thể xuất hiện được một không quan trọng dành cho người đọc, đặc biệt là
trong quan điểm thực tế là kể phần mở rộng tuyến tính là hàm mũ trong thực tế
(Brightwell và Winkler, 1990). Kết quả là, các mã MML giới cho đến nay
không trực tiếp chuyển thành một thuật toán dể làm cho các mô hình điểm nhân quả. Thật vậy,
thực hiện trực tiếp của nó trong một tìm kiếm tham lam không bao giờ được áp dụng cho các vấn đề
với hơn mười biến vì lý do đó (Wallace et al., 1996). Tuy nhiên, Toms
tìm trực tiếp trong những giải pháp lấy mẫu của việc tìm kiếm và MML điểm vấn đề, ​​trong
phần x9.6 below.7
9.5.2