本文探讨了贝叶斯网络的构建方法,阐述了利用数据构建模型的统计方法,以及学习贝叶斯网络参数和结构的技术,最终通过一个实例来论证了贝叶斯网络在实际中的应用。
Feb, 2020
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
通过简单但常见的独立性假设,可以独特地估计干预公式的概率,包括充分性和必要性的概率。在许多感兴趣的情况下,当这些假设适用时,可以使用观测数据评估这些概率估计,这在实验不可行的情况下具有巨大的重要性。
May, 2024
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
本文提出了对基于结构性因果模型的图形变分推断的形式,通过参数化变分模型来模拟分布,并在参数数量与变量数量的指数无关的情况下进行可处理的训练。
Jun, 2021
本研究讨论将关于因果关系的先验知识纳入因果模型,并介绍了一些基于因果贝叶斯网络和最大祖宗图等模型的加入因果先验知识的方法和过程,通过模拟实验和案例研究发现,加入少量先验知识将导致大量新的推断结果。
Jun, 2012
本文介绍了一种时间信念网络表示的因果独立,可以用来引导概率模型的知识工程师。该表示可以简化推理,而不需要使用不可观测的变量,适用于许多实际应用。
Mar, 2013
本文提出了一种名为因果关系网络的算法,采用神经网络学习因果模型,并使用连续表示方法表示因果模型,从而更好地处理大量变量和利用先前的知识帮助学习新的因果模型,同时提出一种基于解码的评估指标。在合成数据的测试中取得了高精度和快速适应新因果模型的效果。
Aug, 2020
本文介绍了一种贝叶斯方法,用于将任意混合的观测和实验数据相结合,以学习因果贝叶斯网络,其中观测数据是被动观察的,实验数据是实验者通过操纵一个或多个变量来获得的。该学习方法已应用于基于 ALARM 因果贝叶斯网络生成的各种混合实验数据,其用于预测因果结构,并估计 ALARM 中不混杂的随机选定节点对之间存在的因果参数。
Jan, 2013
本文提供基于因果关系树的贝叶斯网络解释方法,并结合现有方法讨论了解释所需的必要条件,比较了方法在已知网络上的效果。