介绍一种关于离散贝叶斯网络的 d 分离的完备结果,在强度量论意义下,几乎所有给定网络结构下的离散分布都是忠实的;即分布的独立性事实全部且只包含网络结构蕴涵的部分
Feb, 2013
该研究讨论了在有向无环图中查找最小分隔集的组合问题和其扩展,提出了一种基于两步过程的算法来解决该问题。
本文在不独立于同分布的数据实例上扩展了 d 分离理论,引入关系分离理论以从 relational models 推导条件独立性并提出了抽象的 ground graph 表达方式,从而实现了一种可靠、完整、高效的计算 d-separation 查询的方法。
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
本文研究了依赖知识和图结构之间的关系,提出了基于因果输入列表的 DAG 的分离规则,为读取任何 DAG 中的独立性提供了一个可靠的方法。
Mar, 2013
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。
研究了因果发现中的 d-separation 算法在大型图上的适用性,提出了一种平均情况的分析方法,并分析了两种算法 PC Algorithm 和 UniformSGS 的性能。
Mar, 2023
本文旨在反驳 Pearl 和 Dechter(1996)提出的基于 d - 分离准则的有向无环因果网络的条件独立性也适用于存在反馈循环的离散变量网络(前提是系统的变量由随机干扰确定),我通过示例说明通常情况下这并不成立,需要更强的条件,如存在可以保证唯一解的因果动态。
Jun, 2011
本文提出了一种用于验证数据一致性的有效算法,该算法可以从独立性信息中提取因果关系,利用条件独立语句测试是否存在符合所有观测到的依赖性和独立性的因果模型,并找出存在的因果关系。
本文提出了一种形式化的特定背景下独立性的概念,可用于树形概率表的定量表示,并探讨了如何运用它来支持有效的推理算法。