本文提出了一个描述连续时间的结构化随机过程的有限状态连续时间贝叶斯网络(CTBNs)的语言,将状态分解成一组本地变量,其行为由其在有向图中的父级的函数描述,模型以任何给定时间点确定本地变量更改其值和其取下一个值的分布,提供了一个概率语义和近似推断算法。
Dec, 2012
本文提出一种基于时钟机制的连续时间贝叶斯网络模型,实现了对指数存活时间约束的突破,从而改善了概率计算效率,并通过基因调节网络的数据集进行了实验验证。
Jul, 2020
本文研究了基于连续时间贝叶斯网络(CTBNs)的参数学习和结构学习方法, 提出了一种基于相位分布的扩展方法,可以更好地逼近时长分布的实现, 经实验结果表明,该算法可以在部分观测数据中学习出合理的结构和参数,并在人们寿命的真实数据集上比 DBN 算法表现更好。
Jul, 2012
本论文提出了一种新的基于簇变分方法的连续时间贝叶斯网络近似算法,用于从不完整和嘈杂的时间序列数据中直接学习网络结构,并在可扩展性方面优于现有的方法。
Sep, 2018
本文提出一种基于变分近似的实验设计新准则,用于从时域数据中学习连续时间贝叶斯网络 (CTBN) 的结构和参数,通过求解 CTBN 的 Master 方程取代对实验结果的采样以缓解高维度实验中的计算负担,并将模型扩展到条件 CTBN 以更好地处理干预序列推荐等问题。
May, 2021
Causal Bayesian Networks 中的结构学习算法通过动态识别和请求不确定关系的知识,实现了较大的结构准确性提升,并提供更有效地利用人类专业知识的方法,促进结构学习过程的透明度。
Oct, 2023
基于连续时间贝叶斯网络的建模框架用于分析复杂系统中的级联行为,识别可能导致级联行为的潜在哨兵状态,并提供塑料的图形表示和可解释的结果。
Aug, 2023
本文提出基于约束和限制两种语义的循环贝叶斯网络的研究,并证明这两种语义可以通过马尔可夫链构造来计算。
Jan, 2023
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