Feb, 2022

高维贝叶斯网络结构学习的并行抽样

PDF
TL;DR该研究论文介绍了一种使用候选父集进行并行采样的近似算法，可以被视为高维数据结构学习的现有算法（MINOBS）的扩展，命名为并行采样 MINOBS (PS-MINOBS)。实验结果表明，与有运行时间限制的 MINOBS 相比，该算法在大多数情况下发现了更高分数的结构。
bayesian networksapproximate learninghigh dimensional datastructure learningparallel sampling minobs
发现论文，激发创造
  • 高速并行贝叶斯网络结构学习

    本文提出了一种基于多核 CPU 的快速解决方案 Fast-BNS，用于加速贝叶斯网络结构学习，通过动态工作池设计、CI 测试分组、缓存友好数据存储和实时生成条件集等优化措施，实现了对处理时间和内存使用的有效控制，并在综合实验研究中证明了其相对于当前多线程技术的显著加速效果。

    Dec, 2022

  • 递归自助贝叶斯结构学习

    本研究提出了一种使用非参数 bootstrap 递归方法解决具有数百个变量的 Bayesian 结构学习问题的方法，该方法涵盖了模型平均和模型选择，并以一种新颖的方式将 bootstrap 与约束性学习相结合，以解决独立性检验中的错误敏感性问题，从而获得更好的 MAP 模型并建立更可靠的因果关系。

    Sep, 2018

  • 使用蒙特卡罗采样的主动学习并行采集

    本文提出了一种称为 NORA 的新方法，该方法利用高斯过程回归的嵌套采样并行生成近似排序的 Monte Carlo 样本，以有效生成排序一致的候选者批次，以及推断边际量。

    May, 2023

  • 贝叶斯网络的大样本学习是 NP 难的

    本文研究从数据中学习离散变量贝叶斯网络的算法的复杂度结果，结果表明即使具有独立性、推理或信息神谕，识别高得分的结构也很困难，负面结果也适用于每个节点最多有 K 个父母的离散变量贝叶斯网络，其中 k > 3。

    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

  • 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

  • 基于约束的贝叶斯网络结构学习算法：在 bnlearn R 包中的并行和优化实现

    本文介绍了如何使用并行化算法代替单处理器机器上基于回溯算法的 Bayesian 网络结构学习，以提高效率和稳定性。同时，利用该框架，以及 4 个参考网络和 2 个现实中的数据集，演示了约束性算法的实现性能。

    Jun, 2014

  • 自顶向下的贝叶斯后验抽样在和积网络中的应用

    通过导出一种新的 Gibbs 采样的全部条件概率，通过边际化多个随机变量来快速获得后验分布，我们提出了一种可用于大规模 sum-product networks 的贝叶斯学习方法，同时还提出了一种超参数调优方法，通过在大规模 sum-product networks 中平衡先验分布的多样性和优化效率，改进了学习时间复杂度，并在超过 20 个数据集的数值实验中展示出了十倍到一百倍以上的计算速度和优秀的预测性能。

    Jun, 2024

  • 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

  • 在最优因子范围内找到所有贝叶斯网络结构

    提出了一种基于近似算法的模型平均方法，该方法仅考虑可靠的模型且能在数据量较大的情况下高效地进行比较。

    Nov, 2018