Jan, 2013

基于贝叶斯网络的数据分析：一种自助法的方法

PDF
TL;DR本文旨在提出解决复杂数据分析问题中的信心度测量的方法，包括判断两个节点之间的边缘是否成立、一个给定节点的马尔可夫毯子是否鲁棒以及变量排序等方面，并通过 Efron 的 Bootstrap 方法来实现对这些问题的计算高效求解。此外，作者提出使用这些信心度测量来从数据中产生更好的结构，以及检测潜在变量的存在。
bayesian networksconfidence measuresefron's bootstraplatent variablesdata analysis
发现论文，激发创造
  • 关于网络结构的贝叶斯方法

    本文介绍了一种基于贝叶斯模型选择方法的新算法，通过在网络变量之间建立固定顺序的基础上逼近特征的贝叶斯后验概率，并使用马尔可夫蒙特卡罗方法，使得顺序空间更加平滑，对与其它方法进行了比较实验。

    Jan, 2013

  • 在最优因子范围内找到所有贝叶斯网络结构

    提出了一种基于近似算法的模型平均方法，该方法仅考虑可靠的模型且能在数据量较大的情况下高效地进行比较。

    Nov, 2018

  • 不确定性贝叶斯网络：从不完整数据中学习

    本文旨在改进处理不确定贝叶斯网络的现有方法，通过使该方法能够学习其参数的分布，即条件概率，并基于各种查询的强度和经验确定置信度限制，从而在不完整的数据情况下学习参数的后验分布。

    Aug, 2022

  • 递归自助贝叶斯结构学习

    本研究提出了一种使用非参数 bootstrap 递归方法解决具有数百个变量的 Bayesian 结构学习问题的方法，该方法涵盖了模型平均和模型选择，并以一种新颖的方式将 bootstrap 与约束性学习相结合，以解决独立性检验中的错误敏感性问题，从而获得更好的 MAP 模型并建立更可靠的因果关系。

    Sep, 2018

  • 学习贝叶斯网络：知识与统计数据的结合

    本文提出一种从用户知识和统计数据中学习贝叶斯网络的算法，包括评分度量和搜索过程，并探索了度量的两个重要性质以及本领域相关算法的评估方法。

    Feb, 2013

  • 贝叶斯网络的高效抽样和结构学习

    提出了一种新颖的混合方法，将基于约束和 MCMC 算法的两个领域结合起来，以高效地学习贝叶斯网络的有向无环图结构，并能对后验分布进行采样，从而实现全贝叶斯模型平均。

    Mar, 2018

  • 可扩展贝叶斯加权自助法

    本论文提出一种加权贝叶斯自助法（WBB）用于机器学习和统计学的不确定性量化，可通过对多维后验分布进行采样实现，计算速度快，可扩展性好，并对正则化回归、趋势滤波和深度学习等众多机器学习和统计模型进行了应用。

    Mar, 2018

  • 贝叶斯网络中精确贝叶斯结构发现的进展

    本文介绍了一种贝叶斯方法用于从完整数据中学习贝叶斯网络结构，并使用前向 - 后向技术和快速莫比乌斯变换算法实现了对所有潜在边缘后验概率的计算，从而加速了学习中等大小网络的统计能力的实验研究。

    Jun, 2012

  • 固定结构贝叶斯网络的鲁棒学习

    研究了在部分样本被恶意破坏的情况下学习贝叶斯网络的问题，在这种情况下，提出了第一个计算有效、维度无关的鲁棒性学习算法，样本复杂度接近最优，能够实现线性比例的错误率，该算法在合成和半合成数据上表现良好。

    Jun, 2016

  • BigBraveBN: 具有大量节点的贝叶斯网络结构学习算法

    本文介绍了一种名为 “BigBraveBN” 的高效算法，该算法利用了勇敢系数、互信息度量和最近邻方法，用于学习大型 Bayesian Networks 的结构，并在实验中证明了其效率。

    Aug, 2022