最大似然界树宽马尔可夫网络
本文提出一种新的 k-MAX 算法用于学习具有有界三角形宽度的贝叶斯网络,改进了数据不完全的结构 EM 算法,进而实现了缺失数据的填充。该算法可以在短时间内获得和竞争者相同的缺失数据恢复精度,并且具有线性最坏时间复杂度和易于并行化等优点。
Feb, 2018
本文考虑从数据中学习最大似然多叉树的任务,首先证明了最优分支(或 Chow-Liu 树)是最佳多叉树的很好近似,随后证明了该学习问题是 NP 难的,甚至在某些恒定因子的近似解中也无法很好地解决。
Jan, 2013
研究了一种计算 Markov 随机场上最大后验概率的最优配置的方法,通过将原始分布分解为树形分布的凸组合来得到上限,提出了两种尝试获得紧密上限的方法,并建立了模式搜索问题 LP 松弛和最大乘积(最小和)消息传递算法之间的联系。
Aug, 2005
我们介绍了一种新的方法来学习结构属于树宽有限的贝叶斯网络 (Bayesian Network)。该方法的关键是局部应用基于 MaxSAT 的精确方法,以提高启发式计算 BN 的得分。我们的实验证明,我们的方法可以显著提高由最先进的启发式方法提供的 BN 的得分。
Jun, 2020
使用矩估计和方法论的算法,学习了具有已知结构和隐藏变量的离散变量的贝叶斯网络的参数。该算法特别适用于双分区 noisy-or Bayesian networks,成功地在医学诊断中应用。
Sep, 2013
提出了一种新的自然算法,用于从样本中学习一般离散图形模型(即马尔可夫随机场)的图结构,它是一种贪心的算法,并且具有较低的计算复杂度,并且通过节点度数、图大小以及因子图的环来表征其样本复杂度,在此基础上将其专门用于 Ising 模型。
Feb, 2012
该研究提出了第一个用于学习高维线性贝叶斯网络的贝叶斯方法,该方法通过反向逐步估计拓扑排序的每个元素及其父节点,使用了偏差协方差矩阵的逆。当应用于具有不等收缩的逆协方差矩阵的贝叶斯正则化时,该方法成功恢复了底层结构。具体来说,该方法表明样本数 n = Ω(d_M^2logp) 和 n = Ω(d_M^2p^{2/m}) 足以让该算法学习具有亚高斯和 4m 阶有界矩的线性贝叶斯网络,其中 p 是节点数,d_M 是道德化图的最大度数。理论发现得到了包括真实数据分析在内的大量模拟研究的支持。此外,该方法在合成数据中表现出优于 BHLSM、LISTEN 和 TD 等频频方法的性能。
Nov, 2023
该研究提出了一种通用框架,将基于宽度的模型检查算法转换为用于测试具有有限宽度图类的图论猜想的算法,并显示了在树宽度为 $k$ 的所有图上验证图论猜想的算法,时间为 $ k^{O (1)}$ 双指数级。
May, 2022
本论文提出了一种基于 Junction chains 和线性规划的算法来处理图模型中的近似 MAP-MRF 推断问题,并且在计算机视觉领域取得了一定的性能提升。
May, 2012