MMNov, 2021

递归贝叶斯网络：概括和统一概率无上下文文法和动态贝叶斯网络

PDF
TL;DR本文提出了递归贝叶斯网络 (RBNs)，它是概率上下文无关文法和动态贝叶斯网络的扩展和统一，将它们的优点结合在一起作为特殊情况，定义了一个关于离散或连续潜在变量的树形结构贝叶斯网络的联合分布，同时解决了潜在变量为连续的情况下的结构和连续变量推断的挑战。
probabilistic context-free grammarsdynamic bayesian networksrecursive bayesian networkslatent variablesbayesian inference
发现论文，激发创造
  • 贝叶斯网络中循环的基础

    本文提出基于约束和限制两种语义的循环贝叶斯网络的研究，并证明这两种语义可以通过马尔可夫链构造来计算。

    Jan, 2023

  • 连续时间贝叶斯网络

    本文提出了一个描述连续时间的结构化随机过程的有限状态连续时间贝叶斯网络（CTBNs）的语言，将状态分解成一组本地变量，其行为由其在有向图中的父级的函数描述，模型以任何给定时间点确定本地变量更改其值和其取下一个值的分布，提供了一个概率语义和近似推断算法。

    Dec, 2012

  • 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

  • 无监督循环神经网络语法

    本文介绍利用无监督学习方法，采用变分推断的深度学习算法，成功地应用于语法树和句子的生成，在语言建模和语法识别领域已经有较广泛的应用。

    Apr, 2019

  • 贝叶斯流网络

    该论文介绍了贝叶斯流网络（BFNs），这是一种新的生成模型，通过贝叶斯推理修改一组独立分布的参数，然后将其作为输入传递给神经网络，输出第二个相互依赖的分布。BFNs 在连续数据、离散化数据和离散数据等方面有效，并在图像建模和字符级语言建模任务中实现了有竞争力的对数似然值。

    Aug, 2023

  • 贝叶斯流网络在连续学习中的应用

    贝叶斯流网络（BFNs）作为通用生成建模的最有前景的方向之一，能够学习任何数据类型。我们深入研究了 BFNs 的机制，并进行了实验证明它在非平稳数据上的生成能力。

    Oct, 2023

  • 神经玻尔兹曼机

    介绍了一种新型条件生成模型（Neural Boltzmann Machines），可以很好地解决噪声离散或连续数据，使用随机梯度下降法进行训练，尤其在正常分布数据方面表现优越。

    May, 2023

  • GDBN：一种动态贝叶斯网络的图神经网络方法

    本文提出了一种基于得分的图神经网络方法，旨在学习离散时间时间图中捕捉因果依赖的稀疏 DAG，结果表明该方法较其他现有方法如动态贝叶斯网络推断等表现更好，得到的结构因果模型也比诸如 Notears 等方法发现的线性 SCM 更准确。

    Jan, 2023

  • 量化的布尔贝叶斯网络：逻辑图模型的理论与实验

    本文介绍 Quantified Boolean Bayesian Network (QBBN)，提供了逻辑和概率推理的统一视角，通过创建具有逻辑推理基础的无界布尔变量的贝叶斯网络，以解决信息检索中大型语言模型（LLM）产生幻觉的问题，并且研究了推断方法中的 LBP 的使用和收敛性。

    Feb, 2024

  • 使用连续递归神经网络建模分层结构

    本文提出 Continuous Recursive Neural Network (CRvNN) 作为递归神经网络（RvNN）的可替换方案，以解决传统 RvNN 在处理序列中诱导潜在结构方面的局限性，并通过在潜在结构中引入连续松弛来改进该方案，从而在逻辑推理和自然语言处理等多项任务中取得了显著表现。

    Jun, 2021