May, 2023

参数鲁棒马尔可夫链高效灵敏度分析

PDF
TL;DR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。
sensitivity analysisparametric robust markov chainspartial derivativeslinear programmingiterative learning
发现论文，激发创造
  • 随机系统的鲁棒性灵敏度分析

    该研究探讨了一种最坏情况的方法来衡量随机系统性能分析中的模型误差敏感性，通过 Kullback-Leibler（KL）散度度量模型误差，并通过优化计算程序来计算最坏情况性能指标，通过创新的微小近似方法，得出了这些程序的最优值渐近展开式，展开式系数可以通过模拟计算，并从最坏情况模型的表示中派生而来，这些表示作为函数不动点方程组的定义。

    Mar, 2013

  • 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

  • 健壮马氏决策过程中高效锐利的离策略评估

    在环境变化、干扰函数估计不一致和有限样本学习的情况下，本研究旨在评估策略值，并提出了一种扰动模型，可以根据转移观测对传统 MDP 进行边界估计。

    Mar, 2024

  • 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

  • Markov Model 参数综合：比以往更快

    我们提出了一种简单的技术，用于验证具有参数转换概率的概率模型，通过将参数转换替换为极值的不确定选择，可以分析结果，在此基础上利用现成的方法计算区域在参数空间中的概率的上下界，其优美之处在于其适用于各种概率模型，特别是提供了执行参数综合的马尔可夫决策过程的第一个完整的有效方法。

    Feb, 2016

  • 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

  • 加速参数概率验证

    提出了一种新颖的方法，用于计算参数离散时间马尔可夫链的可达性概率，其转移概率是参数集合上多项式的分数。该算法基于图的分解为强连通子图和多项式的新因数分解策略。实验评估表明，这些方法可以使速度提高几个数量级，相对于现有方法。

    Dec, 2013

  • YODO 算法：Bayesian 网络中灵敏度分析的高效计算框架

    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。

    Feb, 2023

  • 具有相关输入的高维模型的敏感度分析

    本研究提出了一种使用多项式混沌展开法和 Rosenblatt 以及 Cholesky 变换来反映参数相关性的方法，讨论了相关性变量的处理方法在方差和基于导数的敏感度分析中的应用，并通过 VECMAT 工具包中的工作流自动化工具进行了许多实验以验证其有效性。

    May, 2023

  • 鲁棒马尔可夫决策过程：超越矩形假设

    本论文利用因子模型处理 Markov 决策过程中的参数不确定性问题，提出了一种鲁棒性方法来有效计算最优策略，并在相关领域进行了实验研究。

    Nov, 2018