ICMLMay, 2021

通过干预主动学习连续时间贝叶斯网络

PDF
TL;DR本文提出一种基于变分近似的实验设计新准则，用于从时域数据中学习连续时间贝叶斯网络 (CTBN) 的结构和参数，通过求解 CTBN 的 Master 方程取代对实验结果的采样以缓解高维度实验中的计算负担，并将模型扩展到条件 CTBN 以更好地处理干预序列推荐等问题。
continuous-time bayesian networksexperimental designvariational approximationparameter learninginterventional sequences
发现论文，激发创造
  • 学习连续时间贝叶斯网络

    本文介绍了一个针对连续时间贝叶斯网络（CTBNs）的参数和结构学习方法，提出一种共轭先验用于贝叶斯参数估计和贝叶斯结构学习评分，CTBNs 可以更好地适应不同变量演化的时间粒度，相较于动态贝叶斯网络有着很大的优势。

    Oct, 2012

  • 聚类变分近似用于不完整数据下连续时间贝叶斯网络结构学习

    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

  • 从未知干预中学习神经因果模型

    本研究提出了一个基于连续优化和神经网络的框架，以创建联合观测和干预数据模型的方法，能在不知情干预变量的情况下获得强大的基准结果，包括从合成图和来自 Bayesian Network Repository 的标准图中恢复结构。

    Oct, 2019

  • 连续时间贝叶斯网络的期望最大化与复杂持续时间分布

    本文研究了基于连续时间贝叶斯网络（CTBNs）的参数学习和结构学习方法， 提出了一种基于相位分布的扩展方法，可以更好地逼近时长分布的实现， 经实验结果表明，该算法可以在部分观测数据中学习出合理的结构和参数，并在人们寿命的真实数据集上比 DBN 算法表现更好。

    Jul, 2012

  • 贝叶斯干预优化用于因果发现

    我们提出了一种基于贝叶斯优化的方法，通过活动干预来最大化获取决定性和正确证据的概率，从而有效地发现因果关系，并增强理论进展的实际应用。

    Jun, 2024

  • 使用干预学习和测试因果模型

    本文研究了因果贝叶斯网络上的测试和学习问题，并提出了有效的算法来测试两个未知因果贝叶斯网络的相似性和学习因果贝叶斯网络。

    May, 2018

  • 带时钟的连续时间贝叶斯网络

    本文提出一种基于时钟机制的连续时间贝叶斯网络模型，实现了对指数存活时间约束的突破，从而改善了概率计算效率，并通过基因调节网络的数据集进行了实验验证。

    Jul, 2020

  • 受限因果贝叶斯优化

    本文提出了一种受到约束的因果贝叶斯优化方法（cCBO），可在已知因果图中找到优化目标变量并符合某些约束条件的干预措施；我们提出了不同的代理模型，能够融合观察和干预数据，并捕获不同层次的效果相关性。在人工和真实世界的因果图中进行了评估，显示出快速收敛和可行性干预比例间的成功权衡。

    May, 2023

  • 因果贝叶斯优化

    本文研究了在可以进行一系列干预的因果模型中全局优化感兴趣的变量的问题，提出了一种新算法 Causal Bayesian Optimization (CBO)，结合了因果推断、不确定性量化和序贯决策等思想，同时考虑了经典的探索 - exploitation 与新型的观测 - intervention 的平衡，通过应用于不同场景中，显示出了该方法的优越性。

    May, 2020

  • 可微分的多目标因果贝叶斯实验设计

    我们提出了一种基于梯度的方法来解决贝叶斯最优实验设计问题，以在批处理设置中学习因果模型。我们完全摆脱了黑盒优化技术和贪婪启发式方法，并提出了一个概念上简单的端到端梯度优化过程，以获得一组最优干预目标状态组。这种方法 outperforms 多个基线和现有获取策略，无论是在单目标还是在多目标设置下。

    Feb, 2023