Jul, 2015

基于得分和混合结构学习的高维一致性

PDF
TL;DR本文介绍了贝叶斯网络学习的主要方法，包括约束 - based 方法、得分 - based 方法和混合方法。作者提出了一种新的基于贪心等价搜索（GES）的混合方法，并证明了它的一致性。在模拟研究中表明，这种方法相较于 PC 算法，具有更好的性能。
发现论文，激发创造
  • 基于最稀疏排列的有向无环图学习

    该研究提出了一种新的基于分数的算法（SP 算法）来学习贝叶斯网络或有向无环图（DAG）模型，该算法在弱于忠实性假设的条件下具有一致性保证，并且在一些小 DAG 的模拟中表现出与其他算法相比的优越性。

    Jul, 2013

  • 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

  • 学习贝叶斯网络结构的等价类

    使用符合等价类的搜索空间，将贪心搜索算法用于从数据中学习贝叶斯网络的性能进行了比较，发现其表现优于仅对个别贝叶斯网络结构应用贪心搜索的效果。

    Feb, 2013

  • KGS: 使用知识引导的贪心等价搜索进行因果发现

    本研究提出了一种利用知识约束来指导因果关系探索的新方法，该方法称为 KGS，通过使用观察数据和结构先验（因果边缘）对因果图进行约束学习，并在合成和基准真实世界数据集中广泛评估 KGS。实验结果表明，任何类型和数量的结构先验都有助于改善探索过程的性能和早期收敛。

    Apr, 2023

  • 可微贝叶斯结构学习中的拓扑排序与保证无环约束

    通过结合拓扑排序的知识，我们提出了一种用于限制生成图的无环性的替代方法，该方法可以降低推理复杂度，同时确保生成的图的结构是无环的，并在模拟和真实数据的实证实验中表现优于相关的基于贝叶斯评分的方法。

    Sep, 2023

  • 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

  • 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

  • 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

  • 寻找最优贝叶斯网络

    本文通过对贪心贝叶斯网络搜索算法的优化结果派生，研究了单边缘修改和渐近一致性评分标准。我们放宽了 Meek（1997）和 Chickering（2002）的生成分布假设，并仅假定这个分布在可观测变量上满足组合性质，从而保证了搜索算法可以识别一个包含生成分布的一流模型。

    Dec, 2012

  • 基于条件评分的神经符号约束的生成模型

    提出了一种从条件的基于分数的生成模型中强制执行任意逻辑约束条件进行采样的方法，采用柔性和数值稳定的神经符号框架来编码逻辑约束条件，并通过有效的启发式算法改进了近似条件采样算法的准确性。

    Aug, 2023