连续时间贝叶斯网络
本文介绍了一个针对连续时间贝叶斯网络(CTBNs)的参数和结构学习方法,提出一种共轭先验用于贝叶斯参数估计和贝叶斯结构学习评分,CTBNs 可以更好地适应不同变量演化的时间粒度,相较于动态贝叶斯网络有着很大的优势。
Oct, 2012
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
本文介绍了一种基于 Markov 过程的 mean field variational approximation 方法,用于近似描述 Continuous-time Bayesian networks 中的概率分布,并提供了较好的推断和学习效果。
May, 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
本研究提出了一个能够表达和推理连续时间事件关系的生成模型,并将其应用于网络和分布式计算环境的领域,在从时间戳观察中拟合模型参数后,使用假设检验来发现事件之间的依赖性和行为变化,进而进行监测和诊断。该方法在微软研究剑桥的网络事件跟踪实验中使用实际数据进行了验证。最后,本文还对时间离散化后所提出模型与 Noisy-OR 门的关系进行了形式化描述。
Jun, 2012