学习和解释带有不对称标签的有向无环图:以 COVID-19 恐惧为案例研究
利用三阶段数据驱动方法,通过 COVID-19 症状和其内在人口变量的因果关系、相似性聚类和人口症状识别模型,揭示了病毒症状之间的关系,并为减轻病毒严重程度提供了见解。
Jun, 2024
本文研究利用多元计数数据进行因果发现,引入个性化的二项式有向无环图模型以应对用户异质性和观测之间的网络依赖关系,通过将网络结构嵌入到降维协变量中来学习所提出的有向无环图模型,并探索方差 - 均值关系以确定节点的顺序。通过模拟实验证明我们的算法在异质数据上胜过现有的竞争对手,并在实际的网页访问数据集上验证了其实用性。
Jun, 2024
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
本文提出了对基于结构性因果模型的图形变分推断的形式,通过参数化变分模型来模拟分布,并在参数数量与变量数量的指数无关的情况下进行可处理的训练。
Jun, 2021
本文使用动态贝叶斯网络和神经网络结合的方法,预测患者 40 小时内的生命体征和血液分析结果,并分类评估其疾病严重程度,以便将更有限的资源分配给需要重症监护的患者。
Mar, 2023
介绍了一种新的超级图类 mDAGs,通过潜在投影操作从 DAG 的边缘获取 mDAG,每个独特的 DAG 模型边缘至少由一个 mDAG 表示,并提供了图形结果以表征两个边缘模型何时相同。最后,证明了 mDAGs 可以在观察变量干预下正确地捕捉 DAG 的边缘结构。
Aug, 2014
通过开发一种新的基于约束的方法,该方法用于估计多个用户指定目标节点周围的局部结构,从而在邻域之间实现结构学习协调,进而促进无需学习整个有向无环图结构的因果发现。实验结果表明,我们的算法在学习邻域结构时具有更高的准确性,且计算成本较低于传统方法。
May, 2024
本文提出了一种用于动态图中异常检测的两阶段方法:第一阶段使用简单的共轭贝叶斯模型对离散时间计数过程来跟踪图中所有节点成对的链接,以评估其正常行为;第二阶段则通过对潜在异常节点进行标准网络推断工具的广泛减少,从而使方法的效用在模拟和真实数据集上得到了证明。
Nov, 2010
提出了一种称为双向推理网络(BIN)的方法,它可以将多个概率神经网络缝合在一起,以建模变量之间的条件依赖关系,并通过迭代更新变量来进行预测。同时,将 BIN 扩展到了复合 BIN(CBIN),通过自适应平滑优化器的方法,在训练阶段的迭代预测过程中提高了精度和计算效率,并在人工合成数据集和真实数据集上展示了 CBIN 单个模型可以实现最先进的性能,而且在大多数推理任务中比为不同任务专门训练的多个模型获得更高的准确性。
Feb, 2019