在贝叶斯网络中找到一个 $ε$- 接近的参数变化
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
研究了在部分样本被恶意破坏的情况下学习贝叶斯网络的问题,在这种情况下,提出了第一个计算有效、维度无关的鲁棒性学习算法,样本复杂度接近最优,能够实现线性比例的错误率,该算法在合成和半合成数据上表现良好。
Jun, 2016
使用矩估计和方法论的算法,学习了具有已知结构和隐藏变量的离散变量的贝叶斯网络的参数。该算法特别适用于双分区 noisy-or Bayesian networks,成功地在医学诊断中应用。
Sep, 2013
本论文提出了一种新的基于簇变分方法的连续时间贝叶斯网络近似算法,用于从不完整和嘈杂的时间序列数据中直接学习网络结构,并在可扩展性方面优于现有的方法。
Sep, 2018
Bayes nets are widely used to represent probability distributions and dependency relations; this paper extends the NP-hardness result of LEARN and proves the NP-hardness of a promise search variant, while also providing a positive result on sample complexity for recovering a parameter-bounded Bayes net.
Jul, 2024
本文研究了使用变分贝叶斯方法进行参数估计的合理性问题,并提供了获得基于点估计的最优风险界的一般条件。这些条件涉及参数空间上距离度量的某些测试函数的存在以及对先验的最小假设。本文概述了验证这些条件的一般步骤,这对具有或没有潜变量的现有贝叶斯模型广泛适用。同时,具体应用于潜在狄利克雷分配和高斯混合模型的过程也作了讨论。
Dec, 2017
本文提出一种基于变分近似的实验设计新准则,用于从时域数据中学习连续时间贝叶斯网络 (CTBN) 的结构和参数,通过求解 CTBN 的 Master 方程取代对实验结果的采样以缓解高维度实验中的计算负担,并将模型扩展到条件 CTBN 以更好地处理干预序列推荐等问题。
May, 2021
该论文提出了一种基于贝叶斯条件密度估计的无似然推断方法,通过有限的模拟数据进行初步的推断,引导后续的模拟,相较于 Monte Carlo ABC 方法,该方法需要较少的模型模拟来获得整个真实后验分布的准确参数化表示。
May, 2016
本文研究了基于连续时间贝叶斯网络(CTBNs)的参数学习和结构学习方法, 提出了一种基于相位分布的扩展方法,可以更好地逼近时长分布的实现, 经实验结果表明,该算法可以在部分观测数据中学习出合理的结构和参数,并在人们寿命的真实数据集上比 DBN 算法表现更好。
Jul, 2012
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