Jan, 2014

贝叶斯网络中的最相关解释

PDF
TL;DR本文介绍了一种叫做 MRE 的方法来解释贝叶斯网络中的变量状态，该方法使用了广义贝叶斯因子和条件贝叶斯因子等概念，并能够自动剪枝不相关的变量，最后在多项基准诊断贝叶斯网络中得出了精确而简明的解释假设。
bayesian networksexplaining-away phenomenonmost relevant explanationgeneralized bayes factorconditional bayes factor
发现论文，激发创造
  • 关于最可能解释的鲁棒性研究

    本文研究贝叶斯网络中的最可能解释以及其鲁棒性问题，探讨了在单参数改变时我们能够承受多少变化而保持 MPE 不变，并描述了一个计算这个答案的过程，并且可以在时间 O (n exp (w)) 内完成。

    Jun, 2012

  • 因果贝叶斯网络的解释树

    本文提供基于因果关系树的贝叶斯网络解释方法，并结合现有方法讨论了解释所需的必要条件，比较了方法在已知网络上的效果。

    Jun, 2012

  • 利用因果独立性进行贝叶斯网络推理

    本研究提出了一种新的方法，用于利用精确贝叶斯网络推断中的因果独立性，并且通过算法 VE 对给定证据和查询变量进行因果独立推理，结果表明此方法更加高效，并且允许前人算法不能接受的更大网络的推理。

    Dec, 1996

  • 利用 MAP 独立性在贝叶斯网络中解释模型

    本文介绍了 MAP - 独立性 的概念，探讨了它对最佳解释推理的合理化的作用，并基于该概念形式化了几个计算问题并评估了它们的计算复杂性。

    Aug, 2022

  • 学习在概率图模型中解决约束最可能解释任务

    我们提出了一种自监督学习方法，用于解决对数线性模型或马尔可夫网络中的以下约束优化任务。通过使用深度神经网络，我们的方法能够在不需要访问任何预先计算的解的情况下，学习输出接近最优解的约束多概率解释问题的解决方案。

    Apr, 2024

  • 学习贝叶斯网络的综合改进混合算法：多重复合记忆擦除

    本文提出了一种新的混合算法 MCME，解决了基于约束的方法中 CI 测试的不准确性和基于得分的方法中搜索空间增加和学习效率低下的问题，并在方向判别阶段中的得分函数方面做出创新。大量实验证明 MCME 的性能优于或类似于一些现有算法。

    Dec, 2022

  • 关于计算概率性还原解释

    探索实用于广泛使用的决策树、朴素贝叶斯分类器和命题语言的几个家族更好地计算超过给定阈值的目标类的相关集，证实了这些类别的相对简洁的相关特征集可以很容易地获得。

    Dec, 2022

  • 可解释的限制玻尔兹曼机用于协同过滤

    本文提出了一种可解释性的 Restricted Boltzmann Machines (RBM) 协同过滤方法，该方法能够从可解释的项目中计算出前 n 个推荐列表，并证明了该方法能够生成准确而可解释的推荐结果。

    Jun, 2016

  • 概率推断中的上下文独立性利用

    本文介绍了一种新的表达条件概率的方式，利用了父亲背景的上下文无关性，提出了一种基于内部表现的算法。该算法可以更高效地利用在结构化信任网络中。

    Jun, 2011

  • 在最优因子范围内找到所有贝叶斯网络结构

    提出了一种基于近似算法的模型平均方法，该方法仅考虑可靠的模型且能在数据量较大的情况下高效地进行比较。

    Nov, 2018