信念网络中寻找最小 d - 分离集的算法
本文提出了一种高效算法,能够根据贝叶斯网络的拓扑结构确定所有的相关性,算法的正确性和最大性源于基于概率理论的 d - 分离的完备性和正确性。该算法的时间复杂度为 O (lE l),E 为网络中边的数量。
Mar, 2013
本研究研究了有向无环图在表示条件独立关系方面的作用,提出 DAG 可以用来推断条件独立关系并可以比其他准则发现更多合法的独立关系。此外,研究还表明 DAG 所显示的依赖关系是相一致的。
Mar, 2013
本文提出了一种用于验证数据一致性的有效算法,该算法可以从独立性信息中提取因果关系,利用条件独立语句测试是否存在符合所有观测到的依赖性和独立性的因果模型,并找出存在的因果关系。
Mar, 2013
本文在不独立于同分布的数据实例上扩展了 d 分离理论,引入关系分离理论以从 relational models 推导条件独立性并提出了抽象的 ground graph 表达方式,从而实现了一种可靠、完整、高效的计算 d-separation 查询的方法。
Feb, 2013
研究了因果发现中的 d-separation 算法在大型图上的适用性,提出了一种平均情况的分析方法,并分析了两种算法 PC Algorithm 和 UniformSGS 的性能。
Mar, 2023
本文提出了一种基于祖先图的算法框架,用于有效地测试,构建和枚举 $m$- 分隔符,从而较高效地进行非实验数据中因果效应的识别,同时还证明了通过协变调整进行因果效应识别与 $m$ 分离在有向无环图及最大祖先图中的一个子图的规约,并利用这些结果,得出一种刻画所有调整集以及在存在潜在混淆因素的多元曝光及结果的期望因果效应识别的所有最小和最小调整集的构造性条件,为这些问题的特殊情况提供了现有解决方案的扩展。
Feb, 2018
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
本文旨在反驳 Pearl 和 Dechter(1996)提出的基于 d - 分离准则的有向无环因果网络的条件独立性也适用于存在反馈循环的离散变量网络(前提是系统的变量由随机干扰确定),我通过示例说明通常情况下这并不成立,需要更强的条件,如存在可以保证唯一解的因果动态。
Jun, 2011
本文针对贝叶斯网络基于评分函数加搜索过程的局部搜索方法进行了改进,提出了一种利用有限无向结构图进行搜索的新的局部搜索方法,避免了在 DAG 空间中做出早期决策,减少了搜索空间的配置数量,提高了效率,同时在多个测试问题上验证了这种方法的优越性。
Jun, 2011