Sep, 2008

带有多个观测变量的潜变量结构模型参数可识别性

PDF
TL;DR使用代数方法建立了鉴定隐藏类模型参数的一般方法，包括有限或非参数混合、隐藏马尔可夫模型和随机图混合模型，并且发现在参数化设置中，传统定义的可辨识性通常太强，在非参数设置中，受到限制的混合分布才能获得可识别性。
hidden class modelsidentifiabilityalgebraic argumentsmixturesparametric and nonparametric settings
发现论文，激发创造
  • 非线性潜在层次模型的识别

    本文研究了非线性潜在变量的分层因果模型的识别问题，并证明在一些缓和的假设下，可以实现因果结构和潜在变量的可识别性。

    Jun, 2023

  • 马尔科夫转换模型的可辨识性

    本文研究了 Markov Switching Models 的可识别性，探讨了其在序列潜变量模型中的应用，并给出了基于非线性高斯的转移分布参数化方法，实验结果表明此方法可用于因果发现和高维时间序列分割。

    May, 2023

  • 非可辨识的潜在特征模型求解

    本研究提出了一种针对数据结构和特征依赖性的参数估计方法，以解决隐含特征模型中的非识别性问题，该方法可以通过有效跳跃等价解来找到适当的解决方案。

    Sep, 2018

  • 论所学习表征的线性可辨识性

    研究深度神经网络在表示学习中的可辨认性，并从非线性独立成分分析的角度提出一种恢复可辨认性的方法，提出了一系列充分条件和证据，证明一大类具有判别性的模型在功能空间上具有线性可辨认性。

    Jul, 2020

  • 未知干预下因果表征的非参数识别

    研究非参数学习中未知干预数据的因果表征学习，证明两个有关变量的观察分布和一次干预足以提供可识别性，同时说明了保留潜在变量之间因果影响的等价解决方案在绘制新数据的因果推论方面的合理性

    Jun, 2023

  • 学习未知干预下非参数潜在因果图

    本文介绍了一种在潜在空间中通过未知干预重建潜在因果图的方法，不需要进行参数假设，并且不需要已知潜在变量的数量，每个潜在变量最多只需要一个未知干预，通过引入虚集和孤立边的两个新图形概念，可构造性地证明了这种方法的可行性。

    Jun, 2023

  • 使用两个潜在向量的统计模型的可识别性：维度关系的重要性及其在图嵌入中的应用

    该研究论文提出了一个统计模型，通过引入辅助数据，并建立了各种可辨认性条件，其中包括非线性独立分量分析（ICA），并证明了所提模型的不确定性在某些条件下与线性 ICA 相同。在图数据中应用可辨认性理论，提出了一种可辨认的图嵌入方法，并通过数值实验验证了所提方法对潜向量的恢复以及模型可辨认性与图数据中的最大连接权重之间的依赖关系，从而支持了理论结果的推论。

    May, 2024

  • 线性潜变量模型中受测量误差影响的因果推断

    探讨线性系统中存在测量误差时的因果推断问题，在鉴定列的置换和缩放范围内确定混合矩阵的情况下，发现这个问题与存在未观察到的无父原因的因果推断问题之间有相当惊人的联系，并提出了因果结构学习方法并在合成数据上评估了它们的性能。

    Nov, 2022

  • 离散贝叶斯网络的边缘

    本文研究使用离散的观察变量和不对潜在变量的状态空间作任何假设的情况下，贝叶斯网络模型中的潜在变量的完整代数特征，并证明它与所谓的嵌套马尔可夫模型代数上等价。因此，这种嵌套马尔可夫模型是避免考虑不等式的潜在变量模型的最佳描述，并且能够轻松使用显式参数化拟合。

    Jan, 2015

  • 有限混合模型中多种类型参数的可辨识性和收敛优化率

    本文主要探讨了有限混合物中参数的可识别性和收敛行为，以及使用额外混合组件进行模型拟合的影响，并给出了强可识别性的一般理论，以及对于某些弱可识别性的模型，它们密度函数的代数结构对模型参数的估计收敛率具有决定作用，本文通过模拟研究了多个设置的的收敛率。

    Jan, 2015