May, 2023
使用 Tsetlin 机从数据中生成贝叶斯网络模型
Generating Bayesian Network Models from Data Using Tsetlin Machines
Christian D. Blakely
TL;DR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。
Abstract
bayesian networks (BN) are directed acyclic graphical (DAG) models that have
been adopted into many fields for their strengths in transparency,
interpretability, probabilistic reasoning, and →
bayesian networksdirected acyclic graphical modelscausal modelingprobabilistic reasoningtsetlin machines
发现论文,激发创造
贝叶斯网络的高效抽样和结构学习
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
测试贝叶斯网络
本文研究了 Bayesian 网络的身份测试和相似性测试的性质,提出了第一个非平凡的高效测试算法,并给出了相应的信息理论下界,其测试样本复杂度在维度上是亚线性的,适用于各种参数设置,是样本的最优解,直到常数因子。
Dec, 2016
GDBN:一种动态贝叶斯网络的图神经网络方法
本文提出了一种基于得分的图神经网络方法,旨在学习离散时间时间图中捕捉因果依赖的稀疏 DAG,结果表明该方法较其他现有方法如动态贝叶斯网络推断等表现更好,得到的结构因果模型也比诸如 Notears 等方法发现的线性 SCM 更准确。
Jan, 2023
学习连续时间贝叶斯网络
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
贝叶斯网络边缘图
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
变分因果网络:对因果结构进行近似贝叶斯推断
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