Apr, 2009

基于贝叶斯 MAP 模型选择链事件图

PDF
TL;DR本文介绍了链事件图模型的概念，这种模型是离散贝叶斯网络的推广，保留了大部分的贝叶斯网络在模型审查、传播和学习方面的结构优势，并更自然地编码了非对称状态空间和事件发生的顺序。作者还演示了如何使用完全采样和基于产品狄利克雷先验的封闭式模型选择技术，并证明适当的均匀性假设表征了这种模型类别上的产品狄利克雷先验。最后，作者用两个教育示例演示了这些技术。
chain event graph modelsbayesian networksasymmetric state spacescomplete samplingproduct dirichlet priors
发现论文，激发创造
  • 贝叶斯网络的高效抽样和结构学习

    提出了一种新颖的混合方法，将基于约束和 MCMC 算法的两个领域结合起来，以高效地学习贝叶斯网络的有向无环图结构，并能对后验分布进行采样，从而实现全贝叶斯模型平均。

    Mar, 2018

  • 因果 DAG 模型中基于最小 I-MAP 的可扩展结构发现 MCMC 算法

    本文提出一种基于条件独立性检验的后验逼近方法，用于学习贝叶斯网络。相比于先前的基于顺序 MCMC 的方法，该方法能够实现更佳的精度、可伸缩性和混合采样效果，同时允许使用更多自然的结构先验并消除了对最大入度的时间依赖性。

    Mar, 2018

  • BayesDAG：用于因果发现的基于梯度的后验抽样

    基于随机梯度马尔可夫链蒙特卡洛 (SG-MCMC) 的可伸缩贝叶斯因果关系发现框架，无需任何有向无环图 (DAG) 正则化约束，直接从后验中采样有向无环图 (DAG)，同时绘制函数参数样本，适用于线性和非线性因果模型。基于合法的等价关系，我们首次应用基于梯度的 MCMC 采样用于因果关系发现。通过对合成数据集和真实世界数据集的实证评估，展示了我们方法与最先进基准模型的有效性。

    Jul, 2023

  • 关于网络结构的贝叶斯方法

    本文介绍了一种基于贝叶斯模型选择方法的新算法，通过在网络变量之间建立固定顺序的基础上逼近特征的贝叶斯后验概率，并使用马尔可夫蒙特卡罗方法，使得顺序空间更加平滑，对与其它方法进行了比较实验。

    Jan, 2013

  • 贝叶斯网络边缘图

    介绍了一种新的超级图类 mDAGs，通过潜在投影操作从 DAG 的边缘获取 mDAG，每个独特的 DAG 模型边缘至少由一个 mDAG 表示，并提供了图形结果以表征两个边缘模型何时相同。最后，证明了 mDAGs 可以在观察变量干预下正确地捕捉 DAG 的边缘结构。

    Aug, 2014

  • 事件序列的概述马尔可夫模型

    本文提出了一种用于处理事件序列的概率模型 - 总结马尔可夫模型，通过选择合适的汇总功能函数，该模型的事件类型的发生概率仅依赖于其历史发生的事件类型的汇总，针对文本类数据进行了模型的构建和优化，通过实验检验模型的性能和发现能力。

    May, 2022

  • 面向可扩展的因果 DAGs 贝叶斯学习

    本文提出了贝叶斯因果推断的方法，其中用到了 MCMC 方法来进行图结构的采样，并得到了线性高斯 DAG 模型的因果效应估计。

    Sep, 2020

  • 离散链图模型

    该论文研究了基于三种不同的马尔科夫属性的离散模型的结构特性，其中一等级类别的 LWF 模型可以产生平滑的分类数据的离散模型，并且还证明了这种模型的似然函数在图中的链组成是完全的情况下是单峰的。

    Sep, 2009

  • 稀疏高斯图模型的贝叶斯结构学习

    本文介绍了一种基于贝叶斯框架的高斯图模型确定方法，它是基于连续时间出生 - 死亡过程的转维度马尔可夫链蒙特卡罗方法。该方法易于实现，在高维图形方面具有计算可行性，验证表明该方法在收敛、图形空间中的混合和计算时间方面优于替代贝叶斯方法，并应用于基因表达研究中。

    Oct, 2012

  • 利用团树从马尔可夫等效有向无环图中计数和采样

    本文提出了一种用于计算标记等价类中 DAG 数量的技术，并显示在有限制图案下，所提出的算法是多项式时间的。此技术可用于均匀采样来枚举等价类中的 DAG，并可用于因果实验设计和估计联合干预的因果效应。

    Feb, 2018