Feb, 2023

YODO 算法：Bayesian 网络中灵敏度分析的高效计算框架

PDF
TL;DR提出了一种使用自动微分和精确推理相结合的算法，能够高效地计算灵敏度测量值，此方法已用于两个中等规模的贝叶斯网络，并实现了流行机器学习库 PyTorch。
bayesian networksensitivity analysisautomatic differentiationexact inferencepytorch
发现论文，激发创造
  • You Only Derive Once (YODO): 贝叶斯网络中的高效敏感度分析自动差分

    该研究提出一种基于自动微分和精确推断的方法，通过一遍推断来获得贝叶斯网络的所有敏感度值，并用 PyTorch 实现。该方法可用于大型网络，以提高计算效率并排名各参数的重要性。

    Jun, 2022

  • 贝叶斯网络中不确定参数的全局敏感性分析

    传统上，贝叶斯网络的敏感性分析研究了以逐个修改其条件概率表的方式对其影响，我们提出进行全局基于方差的敏感性分析，使用低秩张量分解来降低维度，并通过 Sobol 法得出全局敏感性指标，从而展示不确定参数及其交互作用的真实影响。

    Jun, 2024

  • 参数鲁棒马尔可夫链高效灵敏度分析

    本文提出了一种新颖的敏感性分析方法，针对参数健壮的马尔可夫链，基于概率分布，对转移概率的偏导数进行度量，并提出了高效的方法来计算这些偏导数，同时展示了一个扩展方法来选择具有最大偏导数的 k 个参数，该方法基于线性规划并绕过参数值计算这些程序的不同部分。实验表明，该方法具有扩展性和应用性，适用于具有数百万状态和数千参数的模型，并应用于从敏感性分析中获取迭代学习方案中的收益。

    May, 2023

  • 贝叶斯网络中的敏感性分析：从单参数到多参数

    本文扩展了贝叶斯网络中敏感性分析的先前工作，通过提出一种多参数的方法来帮助理解对单参数变化的查询的敏感性，并找到使得当前概率分布受扰动最小的最优解，同时阐述了新技术在开发和调试贝叶斯网络及价值（可靠性）的推理等方面的应用。

    Jul, 2012

  • 敏感度感知的摊还贝叶斯推断

    我们提出了一种综合多角度的方法，将敏感性分析集成到摊销的贝叶斯推理中，并在应用建模问题中展示了其有效性。

    Oct, 2023

  • 贝叶斯神经网络中预测不确定性的敏感性分析

    本研究针对基于贝叶斯神经网络的黑盒概率模型，提出了一种新的敏感性分析方法，旨在增强对预测不确定性的理解和解释能力，并在真实数据集上进行了验证。

    Dec, 2017

  • 贝叶斯网络推断的差分方法

    本文提出了一种新的贝叶斯网络推断方法，主要基于偏微分，其中将贝叶斯网络编译成多变量多项式，然后计算关于每个变量的偏导数，从而可以在固定时间内回答一类概率查询，具有独特的综合性和计算复杂性。

    Jan, 2013

  • 使用混合自动微分进行差分隐私机器学习的灵敏度分析

    介绍了一种新的混合自动微分系统，可用于推理隐私损失，并进一步开发自动灵敏度分析和隐私预算系统，在统计数据库查询和 DP 神经网络的训练中具有良好的应用前景。

    Jul, 2021

  • 走向 Sobolev 训练

    利用灵敏度信息在学习和修剪过程中建立替代模型的新方法，以解决模型尺寸减小带来的敏感性和不确定性变化的问题，并以定量金融为案例研究进行实证验证。

    Dec, 2023

  • 自动微分与连续灵敏度分析在微分方程解导数方面的比较

    本研究比较了离散局部敏感性分析与连续伴随敏感性分析等敏感性分析方法的性能特征，并发现在 ODE 参数估计和神经微分方程拟合等问题中，前向模式自动微分比反向模式和连续前向 / 伴随敏感性分析更有效。同时，作者也发现当模型规模越大时，连续伴随方法比离散伴随方法和前向方法具有更高的性能，但在连续伴随方法中内存使用与性能之间存在权衡，同时说明面向机器学习的反求法技术不适用于大多数科学模型。

    Dec, 2018