动态概率网络的随机模拟算法
本文介绍了一种基于神经网络的概率建模方法,该方法能够自动产生相对应于不同情况下不变性变化的概率分布,这种方法被称为等变概率神经模拟(EPNS),其应用于随机 n 体系统和随机细胞动力学的模拟结果表明,EPNS 比现有的神经网络方法具有更高的数据效率、回溯稳定性和不确定性量化能力,显示出在高维动态系统中产生精确的概率仿真的优越性。
May, 2023
本文研究了如何使用动态规划算法作为 DAG 空间中 MCMC 的提议分布,以在更短的时间内收敛于后验概率,从而实现更准确的结构学习和更高的测试数据预测似然。
Jun, 2012
研究了 likelihood-weighting 算法在 QMR 内科知识库的二级多重连接信任网络表示上的收敛性能,并证明了 Markov blanket 评分和自我重要性采样显著提高了模型的模拟收敛性。
Mar, 2013
使用强化学习方法,我们通过特征化随机定向图中的可达性概率,展示了随机定向图中的转移概率动态可以被建模成一个差分包含,进而被理解为一个 Markov 决策过程。通过这个框架,我们提出了一种确定奖励功能的方法,以提供随机定向图中一组节点的可达性概率上下限。该方法的有效性通过应用于由移动代理的接近模式生成的时间变化的接触网络的流行病疾病扩散得到证明。
Feb, 2022
通过引入泄漏偶功率转换 (l-POP),利用前馈神经网络和函数的最优分类,提出了一种快速准确估计贝叶斯因子的方法,即使用 Evidence Networks 在处理难以解决的概率尺度时比神经密度估计更准确且规模较小,并且具有广泛的模型推理任务应用,包括引力透镜数据的 bayes 因子计算和其他模型比较和评估的隐式推断问题。
May, 2023
在过去的二十年中,图形的表示学习方法有了巨大的增长,具有多个应用领域,包括生物信息学、化学和社会科学。然而,目前的动态网络方法侧重于离散时间网络,或者将连续时间网络中的链接视为瞬时事件。为了解决这个问题,我们提出了一种依赖于生存函数的新型随机过程,用于建模链接的持续时间和它们在一段时间内的缺失。我们将这一方法应用于最近的连续时间动态潜在距离模型,并在链接预测和网络完成等各种下游任务中进行量化评估,证明这一开发的建模框架很好地追踪了潜在空间中节点的内在轨迹,并捕捉了演化网络结构的潜在特征。
Dec, 2023
通过提出 Birth-Death 图、负采样方法的分类、进行实证研究以及可视化探索,全面评估了动态链接预测算法的性能差异和负采样策略对测试 AUC 的影响。
May, 2024
通过量化分析和实验验证,我们设计了一种基于 “智能重启机制” 的 EDAs 算法,可以自动识别较好的参数,并且在许多情况下充分展示了其优异的性能表现。
Jun, 2022