Jan, 2013

用于离散数据的马尔科夫无环有向混合图

PDF
TL;DR研究了无向边和有向边混合，并且无向边形成无环图的 acyclic directed mixed graphs (ADMGs) 及其概率模型，提出了一种基于简单路径判据的全局马尔科夫性标准 ——m-separation，并得到了该模型的因子分解准则及离散随机变量的参数化表示，验证了该模型的光滑性，从而证明了马尔科夫性 ADMG 模型是曲率指数族。
acyclic directed mixed graphsdag modelmarkovian modelfactorization criterionexponential families
发现论文，激发创造
  • 无环有向混合图的分解准则

    本研究提出了半马尔可夫模型的因子化准则，该准则等同于（自然扩展的）d - 分离给出的全局马尔可夫性质，以表示由具有潜在变量的 DAG 模型诱导的观察边际的条件独立结构。

    Jun, 2014

  • 无环定向混合图的嵌套马尔科夫性质

    利用核对象的条件独立性分解和变量消除的辅助计算方式，定义一套有向无环混合图模型和 Tian 等人提供的约束条件，并证明 DAG 模型的边缘分布属于该模型，最后阐明该模型中对于隐藏变量因果 DAG 模型识别的简单性质。

    Jan, 2017

  • 具有循环和潜变量的图模型的马尔可夫属性

    研究了允许存在循环和潜变量的概率图模型，并引入了带有超边的有向图，定义并分析了多个与图形结构相关的马尔可夫属性。

    Oct, 2017

  • 贝叶斯网络边缘图

    介绍了一种新的超级图类 mDAGs，通过潜在投影操作从 DAG 的边缘获取 mDAG，每个独特的 DAG 模型边缘至少由一个 mDAG 表示，并提供了图形结果以表征两个边缘模型何时相同。最后，证明了 mDAGs 可以在观察变量干预下正确地捕捉 DAG 的边缘结构。

    Aug, 2014

  • 无向无环图模型的马尔可夫等价类枚举

    本文介绍了使用 Pearl 和 Verma 的等价标准确定的 ADGs 模型的等价类的枚举程序，分析了模型的各种属性，并且发现了等效类数量与 ADGs 数量之间的一个近似 0.267 的渐进比率。

    Jan, 2013

  • 关于 AMP 链图模型中本质图的结构

    本文研究了 AMP 关键图的图形结构，以便于算法构建其本质图并用于高效推理和模型搜索及选择。

    Jul, 2006

  • 可微因果发现中的未测混杂

    通过不可测量变量存在的混淆系统推导不可追踪混杂图（ADMGs）的状态，从而将因果发现视为连续优化问题，并设计不同的可微过程来发现线性方程组的最佳拟合 ADMG 结构。

    Oct, 2020

  • 通过神经 ADMG 学习处理潜在混杂在因果推断中的作用

    本文提出了一种基于自回归流的 ADM 深度学习方法，用于处理存在潜在混淆的非线性功能关系，可以同时确定数据背后的复杂因果关系和估计其功能关系。

    Mar, 2023

  • 在最大定向部分有向无环图中识别因果效应

    我们为最大定向部分有向无环图（MPDAGs）开发了必要且充分的因果识别标准，该标准可被视为 Robins（1986）g - 公式的推广。我们进一步获得了截断因式分解公式（Pearl，2009）的推广，并将我们的标准与 Perković等人的广义调整标准（2017）进行了比较，后者对于因果识别是充分的，但不是必要的。

    Oct, 2019

  • 反馈模型的有向循环图形表示

    该研究使用有向无环图 (DAG) 表示随机变量之间的条件独立关系，证明了非递归结构方程模型能够通过有向循环图表示条件独立误差，并推导出满足条件独立约束的充分条件以及非线性系统的变量在相关分布中条件独立的条件。

    Feb, 2013