因果贝叶斯网络的解释树
本文研究了贝叶斯网络建模中的参数独立性、模块化特性、似然等价性等假设。同时介绍了机制独立性和组件独立性这两个新的假设,通过以上全部假设可以将学习无因果网络的方法应用到因果网络中。
Feb, 2013
本文主要研究如何从有限的数据中确定因果关系 —— 通过将先前的因果结构与贝叶斯估计相结合,该文提出了概率树作为可能的解决方案。研究发现,单一干预的信息增益、干预前的预期信息增益以及干预后预期得到的信息增益都有简单的表达式。因此给出了一种主动学习方法,即选择预期增益最高的干预方式,并通过几个例子予以说明;同时,该方法也展示了概率树及其参数的贝叶斯估计提供了一种简单而可行的快速因果归纳方法。
May, 2022
本研究提出了一种新的方法,用于利用精确贝叶斯网络推断中的因果独立性,并且通过算法 VE 对给定证据和查询变量进行因果独立推理,结果表明此方法更加高效,并且允许前人算法不能接受的更大网络的推理。
Dec, 1996
该研究提出了一种基于将贝叶斯网络分类器编译成具有可处理和符号形式的决策函数的方法,用于解释分类器如何分类实例的两种类型解释,并提供了计算这些解释的算法。
May, 2018
建立可靠的知识结构是构建有效的自适应学习系统和智能辅导系统的前提。在追求可解释和可信赖的知识结构的基础上,我们提出了一种构建因果关系知识网络的方法。该方法利用贝叶斯网络作为基础,并结合因果关系分析来推导因果网络。此外,我们介绍了一种基于该框架的可靠知识学习路径推荐技术,提升教学和学习质量,同时保持决策过程的透明度。
Jun, 2024
本研究讨论将关于因果关系的先验知识纳入因果模型,并介绍了一些基于因果贝叶斯网络和最大祖宗图等模型的加入因果先验知识的方法和过程,通过模拟实验和案例研究发现,加入少量先验知识将导致大量新的推断结果。
Jun, 2012
本文提出了对基于结构性因果模型的图形变分推断的形式,通过参数化变分模型来模拟分布,并在参数数量与变量数量的指数无关的情况下进行可处理的训练。
Jun, 2021