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
本研究通过整数规划方案和贪心算法等方法,从离散数据中学习 Bayesian 网络,在实验结果中取得了和之前相比有着巨大的改进。
Sep, 2013
该研究提出了第一个用于学习高维线性贝叶斯网络的贝叶斯方法,该方法通过反向逐步估计拓扑排序的每个元素及其父节点,使用了偏差协方差矩阵的逆。当应用于具有不等收缩的逆协方差矩阵的贝叶斯正则化时,该方法成功恢复了底层结构。具体来说,该方法表明样本数 n = Ω(d_M^2logp) 和 n = Ω(d_M^2p^{2/m}) 足以让该算法学习具有亚高斯和 4m 阶有界矩的线性贝叶斯网络,其中 p 是节点数,d_M 是道德化图的最大度数。理论发现得到了包括真实数据分析在内的大量模拟研究的支持。此外,该方法在合成数据中表现出优于 BHLSM、LISTEN 和 TD 等频频方法的性能。
Nov, 2023
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
提出了一个将贝叶斯网络结构学习问题转化为优化问题,使用整数规划方法进行求解的方法,具体来说,在整数规划算法中添加了割平面的约束,用子整数规划搜索这些割平面来提高该方法性能,以求得最大化对数边际似然(BDe 分数)的贝叶斯网络结构,该方法能够高效地进行准确的贝叶斯网络结构学习。
Feb, 2012
本文提出一种基于条件独立性检验的后验逼近方法,用于学习贝叶斯网络。相比于先前的基于顺序 MCMC 的方法,该方法能够实现更佳的精度、可伸缩性和混合采样效果,同时允许使用更多自然的结构先验并消除了对最大入度的时间依赖性。
本篇论文介绍了一种基于有界入度的节点排序的图搜索算法,以解决根据数据学习贝叶斯网络结构的问题,实验结果表明该算法在得分和运行时间方面优于贪婪爬山法。
Jul, 2012
本文采用一种数据驱动的策略和基于图像的规划,应用于 3D 环境中的导航系统,通过机器学习方法实现了图像哈希表上的最短路径规划,比传统符号算法更优秀。
Jul, 2020
本文提出了一种基于精确得分的方法来学习代表一组连续变量因果关系的祖先无环定向混合图,并通过整数规划公式求解,能够有效获得优秀结果,且优于现有基准方法。
Feb, 2021
本文研究了针对连续状态空间和未知状态转移动态的拓扑马尔科夫决策过程(TMDPs)的策略梯度定理及其实现,进一步扩展了 TMDPs 在面对多种复杂问题方面的应用,提出了一种针对多目标导航问题的新算法,并在模拟环境和实际机器人上进行了演示。
Sep, 2022