Jun, 2011

在有向无环部分图的限制空间中搜索贝叶斯网络结构

PDF
TL;DR本文针对贝叶斯网络基于评分函数加搜索过程的局部搜索方法进行了改进，提出了一种利用有限无向结构图进行搜索的新的局部搜索方法，避免了在 DAG 空间中做出早期决策，减少了搜索空间的配置数量，提高了效率，同时在多个测试问题上验证了这种方法的优越性。
bayesian networklocal search methoddirected acyclic graphsequivalence conceptefficiency
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

  • 离散数据有向无环图的惩罚估计

    本文提出了一种针对大参数空间和稀疏结构难以搜索的问题的极大化惩罚似然方法，该模型将一个节点的条件分布模型化为多元逻辑回归，通过使用组规范惩罚来获得稀疏的有向无环图。应用该方法得出结果表明其在建立因果关系的有向图方面比现有方法具有更高的效率。

    Mar, 2014

  • 在有向无环图上进行多邻域协同学习

    通过开发一种新的基于约束的方法，该方法用于估计多个用户指定目标节点周围的局部结构，从而在邻域之间实现结构学习协调，进而促进无需学习整个有向无环图结构的因果发现。实验结果表明，我们的算法在学习邻域结构时具有更高的准确性，且计算成本较低于传统方法。

    May, 2024

  • 利用惩罚邻域回归学习有向无环图

    研究了一种正则化的基于得分的评估器族，可以从高维数据中学习多元正态分布的有向无环图（DAG）的结构，通过损失函数惩罚最小二乘估计，支持多种正则化方法，并且首次提出了在高维条件下基于得分的有向无环图结构学习的有限样本保证。

    Nov, 2015

  • 可微贝叶斯结构学习中的拓扑排序与保证无环约束

    通过结合拓扑排序的知识，我们提出了一种用于限制生成图的无环性的替代方法，该方法可以降低推理复杂度，同时确保生成的图的结构是无环的，并在模拟和真实数据的实证实验中表现优于相关的基于贝叶斯评分的方法。

    Sep, 2023

  • 强化学习因果发现

    使用强化学习和编码器 - 解码器模型进行因果发现，生成图中的邻接矩阵以计算奖励，结合预定义分数函数和惩罚项强制保持无环性，提高图搜索能力和灵活性。

    Jun, 2019

  • 低秩有向无环图与因果结构学习

    通过利用有向无环图 (DAG) 因果模型的低秩假设，本文提出了一种新的方法来缓解在高维度设置中学习表示 DAG 的因果结构的问题，提供了图形条件和现有方法的适应性，并提供了经验证据支持低秩算法的实用性。

    Jun, 2020

  • 基于最稀疏排列的有向无环图学习

    该研究提出了一种新的基于分数的算法（SP 算法）来学习贝叶斯网络或有向无环图（DAG）模型，该算法在弱于忠实性假设的条件下具有一致性保证，并且在一些小 DAG 的模拟中表现出与其他算法相比的优越性。

    Jul, 2013

  • 在最大定向部分有向无环图中识别因果效应

    我们为最大定向部分有向无环图（MPDAGs）开发了必要且充分的因果识别标准，该标准可被视为 Robins（1986）g - 公式的推广。我们进一步获得了截断因式分解公式（Pearl，2009）的推广，并将我们的标准与 Perković等人的广义调整标准（2017）进行了比较，后者对于因果识别是充分的，但不是必要的。

    Oct, 2019

  • 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