Mar, 2018

因果 DAG 模型中基于最小 I-MAP 的可扩展结构发现 MCMC 算法

PDF
TL;DR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。
bayesian networkgraph theoryconditional independence testsmcmcposterior approximation
发现论文，激发创造
  • 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

  • BayesDAG：用于因果发现的基于梯度的后验抽样

    基于随机梯度马尔可夫链蒙特卡洛 (SG-MCMC) 的可伸缩贝叶斯因果关系发现框架，无需任何有向无环图 (DAG) 正则化约束，直接从后验中采样有向无环图 (DAG)，同时绘制函数参数样本，适用于线性和非线性因果模型。基于合法的等价关系，我们首次应用基于梯度的 MCMC 采样用于因果关系发现。通过对合成数据集和真实世界数据集的实证评估，展示了我们方法与最先进基准模型的有效性。

    Jul, 2023

  • 基于分区 MCMC 的无向无环图推断

    本文提出了一种基于有向无环图 (DAGs) 的新算法，用于采样结构概率图模型，该算法在保持无偏采样的同时比结构 MCMC 方法收敛更快，并可与边反转移动结合使用以进一步改进采样器

    Apr, 2015

  • 贝叶斯网络结构发现的偏序 MCMC

    介绍了一种新的马尔可夫链蒙特卡罗方法，用于估计贝叶斯网络中结构特征的后验概率。该方法从节点的部分顺序的后验分布中抽取样本，并针对每个抽样的部分顺序精确计算所需的条件概率。分析和实验结果表明，与样本为有向无环图或节点上的线性顺序的先前方法相比，该新方法具有更高的优越性。

    Feb, 2012

  • 动态规划与 MCMC 的贝叶斯结构学习

    本文研究了如何使用动态规划算法作为 DAG 空间中 MCMC 的提议分布，以在更短的时间内收敛于后验概率，从而实现更准确的结构学习和更高的测试数据预测似然。

    Jun, 2012

  • 变分因果网络：对因果结构进行近似贝叶斯推断

    本文提出了对基于结构性因果模型的图形变分推断的形式，通过参数化变分模型来模拟分布，并在参数数量与变量数量的指数无关的情况下进行可处理的训练。

    Jun, 2021

  • 面向可扩展的因果 DAGs 贝叶斯学习

    本文提出了贝叶斯因果推断的方法，其中用到了 MCMC 方法来进行图结构的采样，并得到了线性高斯 DAG 模型的因果效应估计。

    Sep, 2020

  • 关于网络结构的贝叶斯方法

    本文介绍了一种基于贝叶斯模型选择方法的新算法，通过在网络变量之间建立固定顺序的基础上逼近特征的贝叶斯后验概率，并使用马尔可夫蒙特卡罗方法，使得顺序空间更加平滑，对与其它方法进行了比较实验。

    Jan, 2013

  • 稀疏高斯图模型的贝叶斯结构学习

    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

  • 高效采样下的中等规模贝叶斯网络结构学习

    本文研究学习贝叶斯网结构的贝叶斯模型平均方法，提出了新算法，包括第一个能够根据精确结构后验有效采样有向无环图的算法。 DAG 样本可以用来构造任何特征的后验估计器，在理论上证明了我们的估计器的良好性质，并在实证上表明估计器明显优于先前最先进方法的估计器。

    Jan, 2015