无监督学习噪声或贝叶斯网络
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
该研究提出了第一个用于学习高维线性贝叶斯网络的贝叶斯方法,该方法通过反向逐步估计拓扑排序的每个元素及其父节点,使用了偏差协方差矩阵的逆。当应用于具有不等收缩的逆协方差矩阵的贝叶斯正则化时,该方法成功恢复了底层结构。具体来说,该方法表明样本数 n = Ω(d_M^2logp) 和 n = Ω(d_M^2p^{2/m}) 足以让该算法学习具有亚高斯和 4m 阶有界矩的线性贝叶斯网络,其中 p 是节点数,d_M 是道德化图的最大度数。理论发现得到了包括真实数据分析在内的大量模拟研究的支持。此外,该方法在合成数据中表现出优于 BHLSM、LISTEN 和 TD 等频频方法的性能。
Nov, 2023
研究了在部分样本被恶意破坏的情况下学习贝叶斯网络的问题,在这种情况下,提出了第一个计算有效、维度无关的鲁棒性学习算法,样本复杂度接近最优,能够实现线性比例的错误率,该算法在合成和半合成数据上表现良好。
Jun, 2016
本文介绍了一种新的 noisy-max 表示法,可有效进行常规贝叶斯网络的推理。实证研究表明,我们的方法能够计算出多个大型医疗网络中的查询,其中之前未曾表现良好的准确推理方法。
Jan, 2013
本文提出一种新的 k-MAX 算法用于学习具有有界三角形宽度的贝叶斯网络,改进了数据不完全的结构 EM 算法,进而实现了缺失数据的填充。该算法可以在短时间内获得和竞争者相同的缺失数据恢复精度,并且具有线性最坏时间复杂度和易于并行化等优点。
Feb, 2018
本文旨在改进处理不确定贝叶斯网络的现有方法,通过使该方法能够学习其参数的分布,即条件概率,并基于各种查询的强度和经验确定置信度限制,从而在不完整的数据情况下学习参数的后验分布。
Aug, 2022
本论文提出了一种新的基于簇变分方法的连续时间贝叶斯网络近似算法,用于从不完整和嘈杂的时间序列数据中直接学习网络结构,并在可扩展性方面优于现有的方法。
Sep, 2018
我们提出了一种高效的无参数方法,用于从受损训练集中进行统计学习。我们使用潜在的伯努利变量来确定受损和非受损样本,从而将鲁棒学习问题形式化为最大化似然函数,在其中对潜在变量进行边缘化处理。我们使用基于期望最大化的高效变分推断方法来解决由此产生的优化问题。所提出的方法通过自动推断损坏程度和识别异常值,同时添加最小的计算开销,胜过现有技术水平。我们在各种机器学习任务上展示了我们的鲁棒学习方法,包括在线学习和深度学习,在这些任务中,它表现出适应不同噪声水平和高预测准确性的能力。
Dec, 2023
本文提出了一个基于二阶可观测矩的无监督估计潜变量模型的方法,包括概率主题模型和潜线性贝叶斯网络等广泛的模型,且不需要对潜变量的分布做出任何假设,可以处理主题或潜因子之间的任意相关性,并且提出了一个可行的学习方法通过 L1 优化在数值实验中进行了研究。
Sep, 2012