Feb, 2014

关于高斯有向无环图模型评分的补充

PDF
TL;DR本文提出了针对 Geiger 和 Heckerman（2002 年 Ann. Statist. 30 (2002) 1414-1440）中得出的高斯有向无环图模型计分公式的修正方法，并讨论了如何高效评估得分。
gaussian directed acyclic graphical modelscorrectionscoringefficiencyevaluation
发现论文，激发创造
  • 利用惩罚邻域回归学习有向无环图

    研究了一种正则化的基于得分的评估器族，可以从高维数据中学习多元正态分布的有向无环图（DAG）的结构，通过损失函数惩罚最小二乘估计，支持多种正则化方法，并且首次提出了在高维条件下基于得分的有向无环图结构学习的有限样本保证。

    Nov, 2015

  • 具有基于评分的结构先验知识的部分已知高斯图模型估计

    我们提出了一种新的算法，用于部分已知高斯图模型的支持估计，该算法结合了关于底层图的先验信息。 im 简化后，我们通过伯努利分布生成图数据集，然后使用图神经网络有效地估计图先验的评分。数值实验证明了我们方法的优势。

    Jan, 2024

  • 通过加性模型和任意噪声进行得分匹配的因果发现

    本文研究因果关系发现方法，特别是用于非线性模型和高斯噪声假设的方法。提出了一种新的算法 NoGAM，可以在最少的前提条件下发现因果关系，并在合成数据上进行了实验基准测试。

    Apr, 2023

  • 基于梯度的神经 DAG 学习

    本文提出了一种基于得分的方法，利用神经网络在连续约束优化理论的基础上，允许处理变量之间的非线性关系，用于学习有向无环图，相对于其他连续优化方法，这种方法在很多任务上表现更好，在因果推断的重要度量上与现有的贪婪搜索方法相比具有竞争力。在合成存储和真实世界数据集上进行了试验。

    Jun, 2019

  • 非参数图模型的贪婪等价搜索

    理论图形模型和贝叶斯模型选择的一个重要成就是 Chickering 和 Meek 提出的著名贪婪等价搜索（GES）算法。本文通过建立一般非参数 DAG 模型的一致性理论，证明了 GES 对满足马尔科夫因子化平滑性条件的 DAG 模型的结构估计一致性。这一结果整合了近期非参数贝叶斯方法对比未定义 DAG 模型的测试，并重新得出了经典结果，从而推导出了 GES 应用于一般 DAG 模型的一般一致性定理。

    Jun, 2024

  • 无环有向混合图的分解准则

    本研究提出了半马尔可夫模型的因子化准则，该准则等同于（自然扩展的）d - 分离给出的全局马尔可夫性质，以表示由具有潜在变量的 DAG 模型诱导的观察边际的条件独立结构。

    Jun, 2014

  • 学习有向无环图模型混合

    本文通过 Cheeseman-Stutz 渐近逼近和 Expectation-Maximization 算法的结合，提出了一种有效的方法来学习混合有向无环图模型（MDAGs），并探讨了参数和模型结构的搜索问题。

    Jan, 2013

  • 高斯协方差模型中高效的似然推断的图形方法

    介绍了如何将双向图转化为最大祖先图，以提高高斯模型中的极大似然函数迭代求解效率及找出最大似然估计等于经验估计的情况。

    Aug, 2007

  • 可扩展的因果发现与分数匹配

    本文介绍了如何通过观测非线性加性高斯噪声模型对数似然函数的二阶导数来发现整个因果图，利用可扩展的机器学习方法来逼近得分函数，扩展了 Rolland 等人的工作，仅从得分中恢复拓扑顺序并要求昂贵的修剪步骤，从而导致 DAS (Discovery At Scale) 算法，这是一个实用的算法，可以将修剪的复杂性降低到与图形大小成比例的因子。在实践中，DAS 算法可以实现与当前最先进的技术相当的准确性，而速度则快了一个数量级。总的来说，我们的方法实现了基于原则且可扩展的因果推断，显着降低了计算门槛。

    Apr, 2023

  • 定向信息图

    提出了一个用于表示随机过程网络的图形模型 —— 最小生成模型图。该模型是基于时间上联合分布的简化因子化建立的，可以量化 Granger 因果性，并开发了高效的方法来从数据中估计拓扑结构。该算法已在 Twitter 网络的分析上得到了验证。

    Apr, 2012