Sep, 2013

SparsityBoost: 一种新的评分函数用于学习贝叶斯网络结构

PDF
TL;DR本文提出了一种新的一致性结构学习评分函数，与传统方法相比，该评分函数具有数据相关性且随着数据量的增加而变得更易于最大化，使用线性规划松弛方法时效果特别好，可学习与生成分布接近且没有错误边的结构。
bayesian networksstructure learningscoring functionconditional independence testlinear programming
发现论文，激发创造
  • 凹惩罚估计稀疏高斯贝叶斯网络

    本文提出了一种基于得分的结构学习快速算法的罚似然估计框架，该快速算法不受限制地处理高维数据集，并使用凹规则化以解决估计问题的固有不可识别性。其中，高斯贝叶斯网络是重点研究领域之一。

    Jan, 2014

  • 基于约束的贝叶斯网络结构学习算法：在 bnlearn R 包中的并行和优化实现

    本文介绍了如何使用并行化算法代替单处理器机器上基于回溯算法的 Bayesian 网络结构学习，以提高效率和稳定性。同时，利用该框架，以及 4 个参考网络和 2 个现实中的数据集，演示了约束性算法的实现性能。

    Jun, 2014

  • 使用贪心搜索从大数据中学习贝叶斯网络：计算复杂度和高效实现

    本研究探讨了大数据环境下的贝叶斯网络结构学习问题，提出了使用预测性好坏拟合评分来加速贝叶斯网络学习的方法，并在环境和流行病学数据以及公共数据集上验证了其准确性。

    Apr, 2018

  • 递归自助贝叶斯结构学习

    本研究提出了一种使用非参数 bootstrap 递归方法解决具有数百个变量的 Bayesian 结构学习问题的方法，该方法涵盖了模型平均和模型选择，并以一种新颖的方式将 bootstrap 与约束性学习相结合，以解决独立性检验中的错误敏感性问题，从而获得更好的 MAP 模型并建立更可靠的因果关系。

    Sep, 2018

  • 贝叶斯网络的大样本学习是 NP 难的

    本文研究从数据中学习离散变量贝叶斯网络的算法的复杂度结果，结果表明即使具有独立性、推理或信息神谕，识别高得分的结构也很困难，负面结果也适用于每个节点最多有 K 个父母的离散变量贝叶斯网络，其中 k > 3。

    Oct, 2012

  • 超越正态分布：在非高斯环境中学习稀疏概率图模型

    该论文提出了一种算法，用于在连续和非高斯概率分布中识别稀疏的依赖结构，并利用依赖结构来进行更准确的分布估计和推理。

    Nov, 2017

  • 一种简单的方法寻找全局最优贝叶斯网络结构

    通过该论文，我们证明了学习最佳贝叶斯网络结构是具有可行性的，我们提出了一种比现有技术更简单和更高效的算法来对超过 30 个变量的网络进行学习，可以进行易于并行化且提供有效探测不同变量排序一致的最佳网络的可能性。

    Jun, 2012

  • 结构学习的结构先验

    本文提出了一种基于贝叶斯网络结构学习的非参数生成模型，采用分层贝叶斯框架来捕捉变量之间的系统性关系，通过 MCMC 算法推导出变量的类别、贝叶斯网络结构和类别间的先验概率，实验证明该方法在小样本数据集中更准确。

    Jun, 2012

  • 基于树宽限制的贝叶斯网络结构学习的 Turbocharging

    我们介绍了一种新的方法来学习结构属于树宽有限的贝叶斯网络 (Bayesian Network)。该方法的关键是局部应用基于 MaxSAT 的精确方法，以提高启发式计算 BN 的得分。我们的实验证明，我们的方法可以显著提高由最先进的启发式方法提供的 BN 的得分。

    Jun, 2020

  • 贝叶斯网络的高效可扩展结构学习：算法与应用

    提出了一种新的结构学习算法 LEAST，通过优化一个连续的约束优化问题，并基于图的谱半径提出了新的可微的约束函数，该算法在精度、效率和可扩展性方面都具有很高的表现，比现有方法快 1 到 2 个数量级，并可扩展到具有数十万个变量的 BN，LEAST 已在阿里巴巴的 20 多个应用程序中得到具体应用，包括近实时的异常检测和根因错误分析系统、大规模基因表达数据分析和可解释的推荐系统等新领域。

    Dec, 2020