Aug, 2014

贝叶斯网络边缘图

PDF
TL;DR介绍了一种新的超级图类 mDAGs，通过潜在投影操作从 DAG 的边缘获取 mDAG，每个独特的 DAG 模型边缘至少由一个 mDAG 表示，并提供了图形结果以表征两个边缘模型何时相同。最后，证明了 mDAGs 可以在观察变量干预下正确地捕捉 DAG 的边缘结构。
发现论文，激发创造
  • 无环定向混合图的嵌套马尔科夫性质

    利用核对象的条件独立性分解和变量消除的辅助计算方式，定义一套有向无环混合图模型和 Tian 等人提供的约束条件，并证明 DAG 模型的边缘分布属于该模型，最后阐明该模型中对于隐藏变量因果 DAG 模型识别的简单性质。

    Jan, 2017

  • 具有循环和潜变量的图模型的马尔可夫属性

    研究了允许存在循环和潜变量的概率图模型，并引入了带有超边的有向图，定义并分析了多个与图形结构相关的马尔可夫属性。

    Oct, 2017

  • 具有潜变量的有向无环图的马尔科夫等价类刻画

    本文新增一套足以构建所有最大祖先图的马尔科夫等价类的公共尾巴箭头的定向规则，并提供了一组定向规则，用于识别马尔科夫等价类的公共性，特别是对于因果推断的实用性。

    Jun, 2012

  • 因果模型的逻辑

    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。

    Mar, 2013

  • 用于离散数据的马尔科夫无环有向混合图

    研究了无向边和有向边混合，并且无向边形成无环图的 acyclic directed mixed graphs (ADMGs) 及其概率模型，提出了一种基于简单路径判据的全局马尔科夫性标准 ——m-separation，并得到了该模型的因子分解准则及离散随机变量的参数化表示，验证了该模型的光滑性，从而证明了马尔科夫性 ADMG 模型是曲率指数族。

    Jan, 2013

  • 离散数据有向无环图的惩罚估计

    本文提出了一种针对大参数空间和稀疏结构难以搜索的问题的极大化惩罚似然方法，该模型将一个节点的条件分布模型化为多元逻辑回归，通过使用组规范惩罚来获得稀疏的有向无环图。应用该方法得出结果表明其在建立因果关系的有向图方面比现有方法具有更高的效率。

    Mar, 2014

  • 贝叶斯网络的高效抽样和结构学习

    提出了一种新颖的混合方法，将基于约束和 MCMC 算法的两个领域结合起来，以高效地学习贝叶斯网络的有向无环图结构，并能对后验分布进行采样，从而实现全贝叶斯模型平均。

    Mar, 2018

  • 双高斯 DAG-probit 模型中的贝叶斯因果推论

    该研究介绍了在观测数据下，考虑两组共性变量的二元响应变量建模，旨在构建两个有向无环图（DAGs），同时估计每个节点的影响因素，并采用 MCMC 方法从后验分布中取样估算 DAG 的骨架和模型参数。

    Apr, 2023

  • ProDAG: 基于投影的有向无环图的变分推断

    基于变分贝叶斯推理框架，我们开发了一种在有向无环图中量化不确定性的方法，通过引入新的分布，该分布直接在 DAG 空间上支持，我们的方法 ProDAG 可以提供准确的推理，通常优于现有的先进方法。

    May, 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