该研究探讨了如何以差分隐私的方式将贝叶斯推断的结果传达给第三方,共提出了四种不同的算法,包括两种向后验参数直接添加噪声以及将噪声添加到后验参数的傅里叶变换中以保持更新一致性的机制,一种基于后验采样的机制以及一种最大后验概率机制,并在实验中涵盖了贝叶斯朴素贝叶斯和贝叶斯线性回归的应用及图结构对隐私影响的新型隐私和效用敏感性分析。
Dec, 2015
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
通过经验贝叶斯方法学习动态贝叶斯网络的研究,使用数据驱动的先验获得模型以量化不确定性,结合广义变分推断的最新发展,表明了对 DAG 结构和参数后验的不确定性的采样的潜力。
Jun, 2024
通过表达隐变量的辅助形式,增加贝叶斯网络中多层连续隐变量梯度推断和学习的效率,提高混合蒙特卡罗和梯度优化的速度。
Jun, 2013
本研究提出了一种新的方法,用于利用精确贝叶斯网络推断中的因果独立性,并且通过算法 VE 对给定证据和查询变量进行因果独立推理,结果表明此方法更加高效,并且允许前人算法不能接受的更大网络的推理。
Dec, 1996
提出了一种称为双向推理网络(BIN)的方法,它可以将多个概率神经网络缝合在一起,以建模变量之间的条件依赖关系,并通过迭代更新变量来进行预测。同时,将 BIN 扩展到了复合 BIN(CBIN),通过自适应平滑优化器的方法,在训练阶段的迭代预测过程中提高了精度和计算效率,并在人工合成数据集和真实数据集上展示了 CBIN 单个模型可以实现最先进的性能,而且在大多数推理任务中比为不同任务专门训练的多个模型获得更高的准确性。
Feb, 2019
本论文研究了层次贝叶斯网络和具有随机隐藏单元的神经网络,表明通过在潜在变量的中心化和可微非中心化参数化之间切换,这两种类型的模型可以相互转换,并且给出了各种参数化的优缺点及推断方法。在非中心形式中,可以使用简单的蒙特卡洛估计器来学习参数。理论结果得到了实验证实。
Feb, 2014
本文提出了一种在分散型学习代理网络上执行贝叶斯推断的近似方法,该方法首先对每个学习代理使用变分推断生成本地近似后验,代理将本地后验传输到网络中的其他代理,最后每个代理组合其收到的本地后验。实验结果表明,这种分散式方法在计算性能和预测测试可能性方面具有优势。
Mar, 2014
本文提出了对基于结构性因果模型的图形变分推断的形式,通过参数化变分模型来模拟分布,并在参数数量与变量数量的指数无关的情况下进行可处理的训练。
Jun, 2021
使用最小描述长度 (MDL) 原则和贝叶斯网络学习算法的改进版本,我们探讨了对已存在的贝叶斯网络的结构进行精炼的问题,同时我们通过实验证据表明了我们的方法的有效性。
Feb, 2013