从完整和不完整数据集中高效学习有界树宽贝叶斯网络

Feb, 2018

Efficient Learning of Bounded-Treewidth Bayesian Networks from Complete and Incomplete Data Sets

Mauro Scanagatta, Giorgio Corani, Marco Zaffalon, Jaemin Yoo, U Kang

TL;DR本文提出一种新的 k-MAX 算法用于学习具有有界三角形宽度的贝叶斯网络，改进了数据不完全的结构 EM 算法，进而实现了缺失数据的填充。该算法可以在短时间内获得和竞争者相同的缺失数据恢复精度，并且具有线性最坏时间复杂度和易于并行化等优点。

Abstract

Learning a bayesian networks with bounded treewidth is important for reducing the complexity of the inferences. We present a novel anytime algori

发现论文，激发创造

我们介绍了一种新的方法来学习结构属于树宽有限的贝叶斯网络 (Bayesian Network)。该方法的关键是局部应用基于 MaxSAT 的精确方法，以提高启发式计算 BN 的得分。我们的实验证明，我们的方法可以显著提高由最先进的启发式方法提供的 BN 的得分。

Jun, 2020

本文介绍了一种使用名为结构 EM 的算法进行贝叶斯模型学习的方法，该算法可以有效地从不完整数据中学习信念网络的结构，并可用于学习各种概率模型，包括贝叶斯网络和其变体。

Jan, 2013

使用矩估计和方法论的算法，学习了具有已知结构和隐藏变量的离散变量的贝叶斯网络的参数。该算法特别适用于双分区 noisy-or Bayesian networks，成功地在医学诊断中应用。

Sep, 2013

本研究开发了一种递归约束算法，能够高效地将结构性边缘信息引入学习贝叶斯网络 (BN) 的过程，并提供了该算法的理论保证，进一步表明有界树宽 BN 可以在不增加复杂度的情况下学习。

Dec, 2021

通过将 Chow 和 Liu 在最大似然马尔科夫树方面的工作推广到更复杂的马尔科夫网络，我们研究了高度限制下最大似然马尔科夫网络学习问题，结果表明其复杂度是 NP 难问题。

Jan, 2013

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

本论文研究从数据中学习贝叶斯网络结构的问题，提出了一种算法用于发现最佳的贝叶斯网络结构，通过贝叶斯模型平均计算感兴趣的假设的后验概率，在多个数据集上展示本算法优于模型选择方法和最先进的 MCMC 方法。

Mar, 2012

本论文提出了一种新的基于簇变分方法的连续时间贝叶斯网络近似算法，用于从不完整和嘈杂的时间序列数据中直接学习网络结构，并在可扩展性方面优于现有的方法。

Sep, 2018

该研究介绍了处理缺失数据的阶梯树学习算法，通过模型的全似然性能直接估计模型，证明了在学习阶梯树时考虑不同的缺失模式是可行的。

May, 2024

本文介绍了一种贝叶斯方法用于从完整数据中学习贝叶斯网络结构，并使用前向 - 后向技术和快速莫比乌斯变换算法实现了对所有潜在边缘后验概率的计算，从而加速了学习中等大小网络的统计能力的实验研究。

Jun, 2012