Jul, 2012

贝叶斯网络中的敏感性分析：从单参数到多参数

PDF
TL;DR本文扩展了贝叶斯网络中敏感性分析的先前工作，通过提出一种多参数的方法来帮助理解对单参数变化的查询的敏感性，并找到使得当前概率分布受扰动最小的最优解，同时阐述了新技术在开发和调试贝叶斯网络及价值（可靠性）的推理等方面的应用。
sensitivity analysisbayesian networksmultiple parametersquery constraintcomputational complexity
发现论文，激发创造
  • 贝叶斯网络中不确定参数的全局敏感性分析

    传统上，贝叶斯网络的敏感性分析研究了以逐个修改其条件概率表的方式对其影响，我们提出进行全局基于方差的敏感性分析，使用低秩张量分解来降低维度，并通过 Sobol 法得出全局敏感性指标，从而展示不确定参数及其交互作用的真实影响。

    Jun, 2024

  • 参数鲁棒马尔可夫链高效灵敏度分析

    本文提出了一种新颖的敏感性分析方法，针对参数健壮的马尔可夫链，基于概率分布，对转移概率的偏导数进行度量，并提出了高效的方法来计算这些偏导数，同时展示了一个扩展方法来选择具有最大偏导数的 k 个参数，该方法基于线性规划并绕过参数值计算这些程序的不同部分。实验表明，该方法具有扩展性和应用性，适用于具有数百万状态和数千参数的模型，并应用于从敏感性分析中获取迭代学习方案中的收益。

    May, 2023

  • 贝叶斯神经网络中预测不确定性的敏感性分析

    本研究针对基于贝叶斯神经网络的黑盒概率模型，提出了一种新的敏感性分析方法，旨在增强对预测不确定性的理解和解释能力，并在真实数据集上进行了验证。

    Dec, 2017

  • You Only Derive Once (YODO): 贝叶斯网络中的高效敏感度分析自动差分

    该研究提出一种基于自动微分和精确推断的方法，通过一遍推断来获得贝叶斯网络的所有敏感度值，并用 PyTorch 实现。该方法可用于大型网络，以提高计算效率并排名各参数的重要性。

    Jun, 2022

  • 随机系统的鲁棒性灵敏度分析

    该研究探讨了一种最坏情况的方法来衡量随机系统性能分析中的模型误差敏感性，通过 Kullback-Leibler（KL）散度度量模型误差，并通过优化计算程序来计算最坏情况性能指标，通过创新的微小近似方法，得出了这些程序的最优值渐近展开式，展开式系数可以通过模拟计算，并从最坏情况模型的表示中派生而来，这些表示作为函数不动点方程组的定义。

    Mar, 2013

  • 敏感度感知的摊还贝叶斯推断

    我们提出了一种综合多角度的方法，将敏感性分析集成到摊销的贝叶斯推理中，并在应用建模问题中展示了其有效性。

    Oct, 2023

  • YODO 算法：Bayesian 网络中灵敏度分析的高效计算框架

    提出了一种使用自动微分和精确推理相结合的算法，能够高效地计算灵敏度测量值，此方法已用于两个中等规模的贝叶斯网络，并实现了流行机器学习库 PyTorch。

    Feb, 2023

  • 在贝叶斯网络中找到一个 $ε$- 接近的参数变化

    本文提出了一种基于 “区域验证” 技术的算法，旨在解决贝叶斯网络中的 ε- 接近参数调整问题，通过修改条件概率表中的概率值来满足定量限制，并且对包括具有多个 CPT 参数和不同 CPT 之间的参数依赖关系的极少接受关注的参数化 BN 子类进行了研究，证明了在有多达 8 个参数的大型 BN 基准测试中可以实现 ε- 接近调整。

    May, 2023

  • 主动采样的敏感性分析及其在模拟电路仿真中的应用

    通过结合敏感性分析和贝叶斯代理模型，我们提出了一种灵活的主动采样流，在模拟混合变化对模拟电路的影响的应用场景中。在合成和真实数据集上，该流程优于通常用于设计空间探索的蒙特卡罗采样方法。

    May, 2024

  • 对没有明显可观察结果的观察性研究进行灵活的敏感性分析

    这篇文章介绍了一个基于 Tukey 的因子化方法的框架，可以为治疗分配指标和观察到的潜在结果之间的未知关系构建未识别选择函数，从而实现灵活模型的应用，以实现对于平均治疗效应和分位数治疗效应的 Bayesian 非参数模型的估计，同时提供了识别和未识别因素的感受性参数来衡量这些不确定因素。

    Sep, 2018