Mar, 2013

一个大型、多重连接信念网络上似然加权模拟的实证分析

PDF
TL;DR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。
发现论文，激发创造
  • 用于贝叶斯网络中随机模拟的证据加权和整合

    本文研究了随机模拟方法在贝叶斯网络中的应用，介绍了一种证据加权机制来改善现有的算法，并与其他算法做了对比分析。

    Mar, 2013

  • 多项式信念网络

    基于贝叶斯方法的深度生成模型用于处理不确定性、稀疏数据和健康数据分析，通过数据驱动方式提取具有生物学意义的元签名。

    Nov, 2023

  • 信念网络上一般概率推断的模拟方法

    本文研究一种基于 Monte Carlo 采样的 “前向” 算法家族，用于解决在信念网络上计算概率推理的问题，并提出了几种改进策略以降低后验方差。

    Mar, 2013

  • 利用无似然重要性加权的方法校正学习生成模型的偏差

    采用似然比未知的情况下可估计的概率分类器进行样本权重优化的无似然比重要加权方法，可以用于校正生成模型中的偏差问题，并提高生成模型的样本质量和性能。

    Jun, 2019

  • 非参数加权随机块模型

    本文提出了一种基于贝叶斯方法的加权随机块模型，可以用于推断加权网络的大规模模块结构，方法为无参数方法，使用数据来推断模型中的群组数量和其他维度，并提供了不同种类的边权（如连续或离散、有符号或无符号、有界或无界等）以及任意权重转换的综合处理。作者还描述了无监督模型选择方法来选择最佳网络描述，并且将该方法应用于各种实际加权网络，例如全球移民、国会中的投票模式和人类大脑中的神经连接。

    Aug, 2017

  • 利用加权虚拟观测进行高效增量信念更新

    通过构建一组加权观测来调节模型，使得推断结果与原后验分布相等的解决方案，适用于蒙特卡洛推断中的增量信念更新问题。

    Feb, 2024

  • 量子图模型与信念传播

    本文提出了一种将 Belief Propagation 算法扩展到量子网络的方法，并研究了量子 Markov Networks 的结构，探讨了使用量子 Belief Propagation 作为一种启发式算法的可能性。最后，描述了该方法在量子纠错编码和模拟多体量子系统中的应用。

    Aug, 2007

  • 动态概率网络的随机模拟算法

    该研究提出了两种名为 “证据反转” 和 “适者生存抽样” 的模拟算法，能够改善动态概率网络模型的模拟精度，并与其他模拟算法性能进行比较表明它们可以保持有界误差的特点。

    Feb, 2013

  • 使用引导权重的深度学习中的稀疏不确定性表示

    本研究提出一种基于感知器的设计方案，该方案结合了贝叶斯神经网络和深度集成等现代方法，通过在每层的权重矩阵中加入少量的诱导权重来降低存储和计算成本，同时保持较好的预测精度和不确定性估计能力。

    May, 2021

  • 近似概率推断的大偏差方法

    研究二层二值随机变量信念网络，其中条件概率 Pr [childlparents] 取决于父节点的加权和，证明使用大偏差理论可以计算许多感兴趣的概率的上下界，特别是证明作为网络大小函数的边际概率 Pr [children] 的精确度的收敛速率，证明适用于泛化传递函数参数化条件概率表的网络。

    Jan, 2013