学习贝叶斯网络中的局部最优解
本研究提出了一种利用知识约束来指导因果关系探索的新方法,该方法称为 KGS,通过使用观察数据和结构先验(因果边缘)对因果图进行约束学习,并在合成和基准真实世界数据集中广泛评估 KGS。实验结果表明,任何类型和数量的结构先验都有助于改善探索过程的性能和早期收敛。
Apr, 2023
理论图形模型和贝叶斯模型选择的一个重要成就是 Chickering 和 Meek 提出的著名贪婪等价搜索(GES)算法。本文通过建立一般非参数 DAG 模型的一致性理论,证明了 GES 对满足马尔科夫因子化平滑性条件的 DAG 模型的结构估计一致性。这一结果整合了近期非参数贝叶斯方法对比未定义 DAG 模型的测试,并重新得出了经典结果,从而推导出了 GES 应用于一般 DAG 模型的一般一致性定理。
Jun, 2024
我们提出了 EC2 这个新的、贪心的主动学习算法,并证明了它与最优策略相竞争,因此得到了关于具有噪声观察的贝叶斯主动学习的第一个竞争保证。我们的结果基于最近发现的一种递减回报性质,称为自适应子模性,将子模集函数的经典概念推广到适应策略中。
Oct, 2010
本文通过对贪心贝叶斯网络搜索算法的优化结果派生,研究了单边缘修改和渐近一致性评分标准。我们放宽了 Meek(1997)和 Chickering(2002)的生成分布假设,并仅假定这个分布在可观测变量上满足组合性质,从而保证了搜索算法可以识别一个包含生成分布的一流模型。
Dec, 2012
研究学习贝叶斯网络的连续优化框架 NOTEARS,推导该优化问题的 KKT 条件,提出一种基于 KKT 条件的局部搜索后处理算法并在测试中得到了结构汉明距离的显著和普遍提高。
Oct, 2020
本文提出了一种平衡生成质量和多样性的确定性搜索算法,并在四个自然语言生成任务中进行了实验,结果表明该算法相较于强基准表现更具多样性和自然性,同时维持高生成质量。
Nov, 2022
本文提出了一个新颖的基于 Bayesian 优化(top-k ranking BO)的算法,该算法能够处理 top-k ranking 和 tie/indifference observations,具有信息熵的预测搜索功能(MPES)。通过在多个综合基准数据集上的实验评估,MPES 的性能优于现有的贪心算法。
Dec, 2020
本文介绍了贝叶斯网络学习的主要方法,包括约束 - based 方法、得分 - based 方法和混合方法。作者提出了一种新的基于贪心等价搜索(GES)的混合方法,并证明了它的一致性。在模拟研究中表明,这种方法相较于 PC 算法,具有更好的性能。
Jul, 2015
本研究探讨了大数据环境下的贝叶斯网络结构学习问题,提出了使用预测性好坏拟合评分来加速贝叶斯网络学习的方法,并在环境和流行病学数据以及公共数据集上验证了其准确性。
Apr, 2018