图形建模中的结构学习
本文从图形模型的角度综述了多学科的经验性统计学习,包括图形模型的常见例子,如贝叶斯网络、表示马尔科夫链的有向图和表示马尔科夫场的无向网络,并使用试板符号扩展来对数据分析和实证学习进行建模,提供了简化和操作问题的图形操作,包括分解、演变和来自指数族的概率模型的操作。文中还综述了两种标准的算法模式:Gibbs 采样和期望最大化算法,并使用这些操作和模式综述了一些流行的算法,包括线性回归、前馈网络的技术以及从数据学习高斯和离散贝叶斯网络。最后,本文概述了图形模型提供的框架来理解和开发复杂学习算法的一些含义。
Dec, 1994
本文介绍一种在高斯图形模型中提取结构变化的有效学习策略,运用基于 l1 正则化的凸优化解决该问题,并通过块坐标下降算法实现该策略。在此基础上,我们将其应用于不同条件下的基因调控网络模拟,并获得了有前途但切合生物学的结果。
Mar, 2012
本文介绍了一种基于贝叶斯框架的高斯图模型确定方法,它是基于连续时间出生 - 死亡过程的转维度马尔可夫链蒙特卡罗方法。该方法易于实现,在高维图形方面具有计算可行性,验证表明该方法在收敛、图形空间中的混合和计算时间方面优于替代贝叶斯方法,并应用于基因表达研究中。
Oct, 2012
本研究介绍了神经图模型,该模型采用神经网络作为多任务学习框架,通过表示节点之间的依赖结构及其复杂的函数表示来捕获特征之间的完整的复杂依赖关系,并提供 NGMs 的有效学习、推理和采样算法。NGMs 可以适应包括有向、无向和混合边缘图在内的通用图结构,可以处理混合输入数据类型。经验研究表明,NGMs 能够代表高斯图模型,并从由 CDC 提供的真实世界婴儿死亡数据中提取见解。
Oct, 2022
提出一个新的混合模型,该模型将图推断与学习逆模型相结合,用于 Kalman 滤波器并通过交叉验证来平衡图推断和学习推断的工作量,实验表明,该模型可以比独立运行的学习或图推断更准确地估计失真的 Lorenz 吸引子的轨迹。
Jun, 2019
提出了一种将概率图模型和深度学习相结合的模型框架,通过将神经网络用于观测模型,提高了潜在变量的图形结构;针对推断,使用了可视化的自编码器,利用识别网络输出共轭潜力的图形模型近似分布;所有的这些模型组件都是同时学习的,从而得到了一种可扩展的算法,利用了随机变分推断、自然梯度、图形模型信息传递和重参数化技巧。此模型框架的示例模型和应用程序向小鼠行为表型学方法提出了有效的解决方案。
Mar, 2016
本文提出了两种估计多个相关图的方法,并将亲密度假设转化为经验先验或组惩罚。我们提供了定量结果,证明了所提出方法的优势。该论文介绍的方法已嵌入 R 软件包'simone' 版本 1.0-0 及更高版本中。
Dec, 2009
本文综述了图学习领域的现状和发展,主要包括四种现有的学习方法:图信号处理、矩阵分解、随机游走和深度学习。并且介绍了这些方法在文本、图像、科学、知识图谱和组合优化等领域的应用,以及该领域未来的研究方向。
May, 2021