不确定性贝叶斯网络:从不完整数据中学习
通过在类概率上使用狄利克雷分布对主观逻辑进行建模并使用确定性神经网络从数据学习收集导致预测的证据的功能,我们提出一种与贝叶斯神经网络正交的方法,该方法可以直接推断出预测的不确定性。我们的方法在检测超出分布的查询和对抗性扰动方面取得了空前的成功。
Jun, 2018
本文旨在提出解决复杂数据分析问题中的信心度测量的方法,包括判断两个节点之间的边缘是否成立、一个给定节点的马尔可夫毯子是否鲁棒以及变量排序等方面,并通过 Efron 的 Bootstrap 方法来实现对这些问题的计算高效求解。此外,作者提出使用这些信心度测量来从数据中产生更好的结构,以及检测潜在变量的存在。
Jan, 2013
通过经验贝叶斯方法学习动态贝叶斯网络的研究,使用数据驱动的先验获得模型以量化不确定性,结合广义变分推断的最新发展,表明了对 DAG 结构和参数后验的不确定性的采样的潜力。
Jun, 2024
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
本文提出了一种将先验知识通过外部摘要信息纳入贝叶斯神经网络中的简单方法,通过引入 Dirichlet 过程并推导相应的总结证据下限,将可用的摘要信息作为增广数据建模。使用本方法可以增强模型对分类任务难度和类别分布的了解,并在准确性、不确定性校准和对数据损坏的鲁棒性等方面表现良好。
Jul, 2022
提出了一种基于贝叶斯元模型的方法,该方法用于增强预训练模型的不确定性量化能力,以实现不同应用场景下的预测性能,例如图像分类中的领域外数据检测、错分检测和可信迁移学习,无需额外的训练数据,从而在多个代表性图像分类基准测试上展示了更好的表现。
Dec, 2022
该研究提出了第一个用于学习高维线性贝叶斯网络的贝叶斯方法,该方法通过反向逐步估计拓扑排序的每个元素及其父节点,使用了偏差协方差矩阵的逆。当应用于具有不等收缩的逆协方差矩阵的贝叶斯正则化时,该方法成功恢复了底层结构。具体来说,该方法表明样本数 n = Ω(d_M^2logp) 和 n = Ω(d_M^2p^{2/m}) 足以让该算法学习具有亚高斯和 4m 阶有界矩的线性贝叶斯网络,其中 p 是节点数,d_M 是道德化图的最大度数。理论发现得到了包括真实数据分析在内的大量模拟研究的支持。此外,该方法在合成数据中表现出优于 BHLSM、LISTEN 和 TD 等频频方法的性能。
Nov, 2023