可处理的树形信度网络的贝叶斯学习
本文提出了利用一种新标准进行训练贝叶斯决策树的方法,得到的树的分类准确度可与贪婪构造的决策树相媲美或更好,同时树的大小显著减小,并可以在数据集大小的多项式时间内进行后验学习和采样。
Feb, 2023
本文提出了一种基于贝叶斯网络结构学习的非参数生成模型,采用分层贝叶斯框架来捕捉变量之间的系统性关系,通过 MCMC 算法推导出变量的类别、贝叶斯网络结构和类别间的先验概率,实验证明该方法在小样本数据集中更准确。
Jun, 2012
本研究通过采用贝叶斯视角,使用稀疏感知先验来修剪网络,使用 Hierarchical priors 修剪节点并使用后验不确定性确定编码权重的最优固定点精度,使得压缩率达到了最佳水平,并且仍然具有与优化速度或能量效率的方法相竞争的性能。
May, 2017
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
通过使用树值预测,我们介绍了一种新的方法来可视化多个层次的后验分布,展示了在不同数据集和图像恢复挑战中的有效性,并揭示了其在不确定性量化和可视化方面的实力。
May, 2024
本文研究贝叶斯神经网络和潜在变量的概率模型,使用信息论方法和风险敏感目标分别将预测不确定性分解为认知和概率性成分,以解决主动学习和安全强化学习等领域中的模型偏差问题。
Jun, 2017
本文研究了在随机行为和观测存在的情况下,信念跟踪问题无法计算的问题。作者提出了一种新的算法,该算法可以保持概率信念在因果封闭的 beam 中的确切且高效的分解形式,扩展了基本公式与两种近似方法:信念传播形式和采样方法。
Sep, 2019
通过该论文,我们证明了学习最佳贝叶斯网络结构是具有可行性的,我们提出了一种比现有技术更简单和更高效的算法来对超过 30 个变量的网络进行学习,可以进行易于并行化且提供有效探测不同变量排序一致的最佳网络的可能性。
Jun, 2012