使用 bnlearn R 套件学习贝叶斯网络
本文介绍了如何使用并行化算法代替单处理器机器上基于回溯算法的 Bayesian 网络结构学习,以提高效率和稳定性。同时,利用该框架,以及 4 个参考网络和 2 个现实中的数据集,演示了约束性算法的实现性能。
Jun, 2014
本文提出了递归贝叶斯网络 (RBNs),它是概率上下文无关文法和动态贝叶斯网络的扩展和统一,将它们的优点结合在一起作为特殊情况,定义了一个关于离散或连续潜在变量的树形结构贝叶斯网络的联合分布,同时解决了潜在变量为连续的情况下的结构和连续变量推断的挑战。
Nov, 2021
本文提出了一种初步的探索网络结构的方法,该方法利用了 Tsetlin Machines 进行 Bayesian Networks 建模并处理相关性和因果关系。
May, 2023
本文介绍了一种名为 “BigBraveBN” 的高效算法,该算法利用了勇敢系数、互信息度量和最近邻方法,用于学习大型 Bayesian Networks 的结构,并在实验中证明了其效率。
Aug, 2022
本文提出了一种基于多核 CPU 的快速解决方案 Fast-BNS,用于加速贝叶斯网络结构学习,通过动态工作池设计、CI 测试分组、缓存友好数据存储和实时生成条件集等优化措施,实现了对处理时间和内存使用的有效控制,并在综合实验研究中证明了其相对于当前多线程技术的显著加速效果。
Dec, 2022
该研究文章探讨了如何从用户知识和统计数据中学习贝叶斯网络,提出了一种得分度量和搜索程序,并通过从单个先验贝叶斯网络构建先验概率分布,识别出两个重要的假设(事件等价性和参数模块化),为连续变量或离散和连续变量混合的领域开发分数度量方法。
Feb, 2013
基于 PC 算法的 FSBN 和 SSBN 算法使用局部搜索策略和条件独立性测试从数据中学习因果网络结构,通过引入 d - 分离来推断更多的拓扑信息,优先级调整条件集,并且能够立即和高效地终止搜索,从而实现了高达 52%(FSBN)和 72%(SSBN)的计算成本降低,对于 200 个节点的网络 SSBN 表现出更高的效率,实验证明这两个算法在减少计算成本的同时能够保持与 PC 算法相同的归纳质量,适用于大数据分析的各种应用。
Oct, 2023