MMMar, 2013

在忠实性下学习 AMP 链图及其部分边缘模型：扩展版本

PDF
TL;DR本文研究了 Andersson-Madigan-Perlman（AMP）解释下的链图模型，并提出了一种基于约束的算法用于学习一个 FAITHFUL 到给定概率分布的 AMP 链图。此外，还介绍了一种名为最大协方差 - 浓度图（MCCG）的新型图模型，研究了 MCCG 的全局、局部和成对 Markov 特性，并证明它们的等效性，最后，提出了一种用于从 MCCG 中读取概率分布依赖关系的图形准则。
发现论文，激发创造
  • 基于无偏性学习 AMP 链图

    本文研究了使用 Andersson-Madigan-Perlman（AMP）解释下的 chain graphs。我们提出了一种基于约束的算法，用于学习一个给定概率分布的 AMP chain graph，并展示了 Meek 猜想的扩展在 AMP chain graphs 下不成立，这影响了使用弱于 faithfulness 假设的高效且正确的得分 + 搜索学习算法的发展。

    Apr, 2012

  • 高斯链图模型下备选马尔可夫性的最大似然估计

    本文介绍了 AMP Markov 性在高斯链图模型中的应用和最大似然估计方法，结合广义最小二乘法和迭代比例拟合得出迭代算法，并给出了一些有用的迭代算法收敛结果。

    Aug, 2005

  • 关于 AMP 链图模型中本质图的结构

    本文研究了 AMP 关键图的图形结构，以便于算法构建其本质图并用于高效推理和模型搜索及选择。

    Jul, 2006

  • 无环定向混合图的嵌套马尔科夫性质

    利用核对象的条件独立性分解和变量消除的辅助计算方式，定义一套有向无环混合图模型和 Tian 等人提供的约束条件，并证明 DAG 模型的边缘分布属于该模型，最后阐明该模型中对于隐藏变量因果 DAG 模型识别的简单性质。

    Jan, 2017

  • 以信为本：在寻找模型机制时超越电路重叠

    通过引入 EAP-IG 方法，本文旨在更好地保持电路的核心属性：忠诚度。我们的实验证明，使用 EAP 找到的电路比使用 EAP-IG 找到的电路更不忠诚，尽管两者在与之前使用因果干预发现的电路的节点重叠方面都很高。总之，在使用电路来比较模型解决任务的机制时，应该衡量忠诚度而不是重叠程度。

    Mar, 2024

  • 基于分区 MCMC 的无向无环图推断

    本文提出了一种基于有向无环图 (DAGs) 的新算法，用于采样结构概率图模型，该算法在保持无偏采样的同时比结构 MCMC 方法收敛更快，并可与边反转移动结合使用以进一步改进采样器

    Apr, 2015

  • 用于离散数据的马尔科夫无环有向混合图

    研究了无向边和有向边混合，并且无向边形成无环图的 acyclic directed mixed graphs (ADMGs) 及其概率模型，提出了一种基于简单路径判据的全局马尔科夫性标准 ——m-separation，并得到了该模型的因子分解准则及离散随机变量的参数化表示，验证了该模型的光滑性，从而证明了马尔科夫性 ADMG 模型是曲率指数族。

    Jan, 2013

  • 基于最稀疏排列的有向无环图学习

    该研究提出了一种新的基于分数的算法（SP 算法）来学习贝叶斯网络或有向无环图（DAG）模型，该算法在弱于忠实性假设的条件下具有一致性保证，并且在一些小 DAG 的模拟中表现出与其他算法相比的优越性。

    Jul, 2013

  • 贝叶斯网络边缘图

    介绍了一种新的超级图类 mDAGs，通过潜在投影操作从 DAG 的边缘获取 mDAG，每个独特的 DAG 模型边缘至少由一个 mDAG 表示，并提供了图形结果以表征两个边缘模型何时相同。最后，证明了 mDAGs 可以在观察变量干预下正确地捕捉 DAG 的边缘结构。

    Aug, 2014

  • 贝叶斯网络的高效抽样和结构学习

    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