本文介绍了一种新的表达条件概率的方式,利用了父亲背景的上下文无关性,提出了一种基于内部表现的算法。该算法可以更高效地利用在结构化信任网络中。
Jun, 2011
通过建模条件分布,本文提出了一种名为神经上下文分解(NCD)的方法,用于发现系统中多个上下文集特定独立性关系,并通过在合成数据集和反映现实世界物理动力学的复杂系统中的实证演示,成功地发现了真实的局部独立性关系。
May, 2024
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
本文探讨了在知晓 CSI 关系的前提下,因果模仿学习的可能性和实现的算法。文中证明,CSI 关系下的模仿学习的可行性是 NP 难的,同时提出了一种结构假设下因果模仿学习的必要图形标准,并证明了这个标准是充分的。最后,提出了一种考虑 CSI 关系和数据的因果模仿学习的算法。
Jun, 2023
本文提出基于约束和限制两种语义的循环贝叶斯网络的研究,并证明这两种语义可以通过马尔可夫链构造来计算。
Jan, 2023
本文研究了贝叶斯网络建模中的参数独立性、模块化特性、似然等价性等假设。同时介绍了机制独立性和组件独立性这两个新的假设,通过以上全部假设可以将学习无因果网络的方法应用到因果网络中。
Feb, 2013
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
使用贝叶斯网络的生成分类器扩展了 TAN 和其他类型的分类器,研究了它们与贝叶斯网络之间的关系,并通过数据驱动的学习方法提高了分类准确率。
本研究提出了一种基于贝叶斯网络的自然语言处理方法,可以预测和分析上下文,并可以应用于社区问答领域,通过与基线模型的比较,我们的方法在精度指标方面表现更好,同时讨论了罚项对贝叶斯网络结构的影响,以及有向无环图在分析语义关系方面的可视化表示。
Feb, 2023
本文提出了一种从数据中学习贝叶斯网络的新方法 —— 显式地表示和学习 CPT 中的局部结构,从而提高所学习到的网络的质量,增加了可能的模型空间,并能够诱导出更好地模拟数据中存在的相互作用复杂性的模型。