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。
Nov, 2021
本文提出了一种初步的探索网络结构的方法,该方法利用了 Tsetlin Machines 进行 Bayesian Networks 建模并处理相关性和因果关系。
May, 2023
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
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
建立概率图模型从观测数据中学习结构时,会发现模型中的随机变量之间存在方向性的循环依赖关系。我们描述了一种概率图模型 - 概率关系网络,它允许直接捕捉结构学习过程中的方向性循环依赖关系。该模型基于一个简单的思想,即观测数据的每个样本都可以通过任意图来表示,这个图反映了样本中包含的变量间的依赖关系结构。我们探索了该模型中的完全联合分布和条件分布以及变量之间的条件独立性质。我们定义了从数据集构建模型和计算条件分布和完全联合分布的算法,并与贝叶斯网络和马尔可夫网络进行了数值比较。该模型不违背概率公理,支持从观测数据中学习,并支持概率推断,因此在数据分析、专家决策和设计应用中具有潜在的用途。
Oct, 2023
本文探讨了贝叶斯网络的构建方法,阐述了利用数据构建模型的统计方法,以及学习贝叶斯网络参数和结构的技术,最终通过一个实例来论证了贝叶斯网络在实际中的应用。
Feb, 2020
本文提出了一种形式化的特定背景下独立性的概念,可用于树形概率表的定量表示,并探讨了如何运用它来支持有效的推理算法。
Feb, 2013
Causal Bayesian Networks 中的结构学习算法通过动态识别和请求不确定关系的知识,实现了较大的结构准确性提升,并提供更有效地利用人类专业知识的方法,促进结构学习过程的透明度。
本文提出了一个针对动态系统的基于 Bayesian 原理的因果关系发现框架,采用生成流网络架构来学习循环图的贝叶斯后验概率,该框架通过时间建立自然的因果关系,并通过实验表明其与同类算法相比,能够更好的表征同时具有循环性和因果性的问题。
Feb, 2023