关于关系数据的概率模型中独立性的推理
通过将概率逻辑程序结构抽象化为程序结构,并给出一个正确的元解释器来决定给定外部数据库的程序结构是否意味着某个特定的条件独立性陈述,本研究将 Pearl 和 Verma 的有向分离理论推广到非 ground 情况,进而从 d-separation 中计算条件独立性,实验评估结果显示,比起在 ProbLog 2 中使用精确推理来检查独立性定义,我们的元解释器的性能明显更快。
Aug, 2023
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
本文提出一种基于 (条件) 马尔科夫网络的框架,可以 effectively 地训练 probabilistic relational models,并使用近似概率推断对多个相关对象进行 collective classification,从而解决了先前方法的两个限制:有向模型无法表示许多重要的关系依赖性和难以用于判别式训练。在网页分类任务上的实验证明,建模关系依赖性可以显著提高分类准确性。
Dec, 2012
本文研究了概率图模型中近似条件独立性的推断和验证问题,发现无向概率图并不能提供准确的条件独立性推断保证,而有向概率图可以通过 $d$-separation 算法准确推断近似条件独立性。此外,还提出了改进的近似保证方法和独立关系推断算法。
Oct, 2023
本文研究了如何在关系系统中估计数据之间的独立性,提出了一种基于核均值嵌入的方法,用于定义条件和边缘独立性测试,并在结构假设下实现了可伸缩的核测试方法。实证研究表明,该方法在合成网络和半合成网络等数据集上比基于核的独立性测试的现有方法更为有效。
Jun, 2022
通过构建一个概率模型,该论文提出了一种新的关系推导框架,提高了在相关数据集上的推导分数;此外,该论文还提供了两个用于帮助未来研究的实用资源:一种改进的判定数据集框架和一个包含 17848 个标记实例的公共数据集,其标记的精度从 53%提高到了 95%。
Jul, 2019
本文介绍了 Judea Pearl 在因果推断和统计学领域中的许多贡献,并阐述了 d 分离准则、do 演算和中介公式。文章还提出了一种关于潜在结果和事件树的早期因果模型,该模型饭后了 d 分离准则和 do 演算的简化,导致在有隐含变量的因果模型中,一个完整的识别算法的简单反事实的制定。
Aug, 2020