Dec, 2022

学习贝叶斯网络的综合改进混合算法：多重复合记忆擦除

PDF
TL;DR本文提出了一种新的混合算法 MCME，解决了基于约束的方法中 CI 测试的不准确性和基于得分的方法中搜索空间增加和学习效率低下的问题，并在方向判别阶段中的得分函数方面做出创新。大量实验证明 MCME 的性能优于或类似于一些现有算法。
bayesian networknetwork learning algorithmsmcmeconditional independence testsscoring function
发现论文，激发创造
  • 自信的多选学习

    本研究提出一种针对深度神经网络的新型集成学习方法，名为自信多选学习（CMCL），通过解决其过度自信的问题来提高模型的性能，CMCL 比独立集成方法在图像分类和前景 - 背景分割等任务中提高了显著的准确率。

    Jun, 2017

  • 神经核条件均值嵌入

    本论文介绍了一种将深度学习与核条件均值嵌入相结合的新方法，解决了核条件均值嵌入在可扩展性和表达能力方面的挑战，并在条件密度估计和强化学习中达到了竞争性能。

    Mar, 2024

  • BayesPCN: 一种可不断学习的预测编码联想记忆

    本文提出 BayesPCN，一个具有层级结构的关联记忆，能够进行连续的一次性记忆写入，而无需元学习，并能逐渐遗忘过去的观察结果，以释放存储空间。实验表明，BayesPCN 能够回忆起数百到数千个时间步长以前观察到的损坏的高维数据，与现有的线下学习的参数记忆模型相比，不会出现大幅下降的召回能力。

    May, 2022

  • 基于得分和混合结构学习的高维一致性

    本文介绍了贝叶斯网络学习的主要方法，包括约束 - based 方法、得分 - based 方法和混合方法。作者提出了一种新的基于贪心等价搜索（GES）的混合方法，并证明了它的一致性。在模拟研究中表明，这种方法相较于 PC 算法，具有更好的性能。

    Jul, 2015

  • 贝叶斯网络中的最相关解释

    本文介绍了一种叫做 MRE 的方法来解释贝叶斯网络中的变量状态，该方法使用了广义贝叶斯因子和条件贝叶斯因子等概念，并能够自动剪枝不相关的变量，最后在多项基准诊断贝叶斯网络中得出了精确而简明的解释假设。

    Jan, 2014

  • 贝叶斯分层专家混合模型

    本文提出了一种基于变分推断的 HME 模型的全贝叶斯处理方法，并通过将局部和全局变分方法相结合获得了对模型下数据边际概率的严格下界。

    Oct, 2012

  • 编程社区问答中的命名实体预测贝叶斯网络

    本研究提出了一种基于贝叶斯网络的自然语言处理方法，可以预测和分析上下文，并可以应用于社区问答领域，通过与基线模型的比较，我们的方法在精度指标方面表现更好，同时讨论了罚项对贝叶斯网络结构的影响，以及有向无环图在分析语义关系方面的可视化表示。

    Feb, 2023

  • 利用马尔科夫毯交集学习因果结构

    本文介绍了一种新的因果结构学习算法 EEMBI 及其扩展版本 EEMBI-PC，其中将贝叶斯网络和结构因果模型相结合，并将 PC 算法中的最后一步集成到 EEMBI 中。

    Jul, 2023

  • 贝叶斯结构 EM 算法

    本文介绍了一种使用名为结构 EM 的算法进行贝叶斯模型学习的方法，该算法可以有效地从不完整数据中学习信念网络的结构，并可用于学习各种概率模型，包括贝叶斯网络和其变体。

    Jan, 2013

  • 基于采样贝叶斯推理中的知识去除

    研究讨论在人工智能领域中实施遗忘权利将会引起难以承受的成本问题，该论文提出了用于 Markov chain Monte Carlo （简称 MCMC）的机器遗忘算法，第一次将 MCMC 反向推导为明确的最优化问题，通过 MCMC 引导函数确定遗忘的知识来达到遗忘的目的，并证明该算法不会损害 MCMC 模型的泛化能力。

    Mar, 2022