利用马尔科夫毯交集学习因果结构
本文介绍了一种使用名为结构 EM 的算法进行贝叶斯模型学习的方法,该算法可以有效地从不完整数据中学习信念网络的结构,并可用于学习各种概率模型,包括贝叶斯网络和其变体。
Jan, 2013
本文提出了一种新的混合算法 MCME,解决了基于约束的方法中 CI 测试的不准确性和基于得分的方法中搜索空间增加和学习效率低下的问题,并在方向判别阶段中的得分函数方面做出创新。大量实验证明 MCME 的性能优于或类似于一些现有算法。
Dec, 2022
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。
Oct, 2023
基于 PC 算法的 FSBN 和 SSBN 算法使用局部搜索策略和条件独立性测试从数据中学习因果网络结构,通过引入 d - 分离来推断更多的拓扑信息,优先级调整条件集,并且能够立即和高效地终止搜索,从而实现了高达 52%(FSBN)和 72%(SSBN)的计算成本降低,对于 200 个节点的网络 SSBN 表现出更高的效率,实验证明这两个算法在减少计算成本的同时能够保持与 PC 算法相同的归纳质量,适用于大数据分析的各种应用。
Oct, 2023
本文提出了一种基于模型和因果贝叶斯优化算法的方法,学习一个完整的系统模型并通过乐观的原则进行探索和开发,以解决在未知结构方程模型下如何干预以最大化目标变量的问题,并通过实验得到了有益的结果。
Nov, 2022
统计学和机器学习中,检测数据集中的依赖关系是一个核心挑战。我们提出了一种新颖的神经网络模型,用于监督式图结构学习,即学习观测数据与其底层依赖结构之间的映射关系。通过利用结构方程模型和使用随机生成的多元切比雪夫多项式来模拟训练数据,我们的方法在线性和各种类型的非线性依赖关系上都表现出稳健的可推广性。我们引入了一种新颖的双线性注意机制(BAM),用于显式处理依赖信息,其操作是基于转换数据的协方差矩阵水平,并尊重对称正定矩阵流形的几何性质。实证评估显示了我们的方法在检测广泛范围的依赖关系中的稳健性,在无向图估计方面表现出优势,并通过一种新颖的两步方法在完成部分有向无环图估计中取得竞争优势。
Feb, 2024
通过引入结构因果模型 (SCM) 从而诱导总结数据的潜在因果结构,我们提出了一种因果启发式序列到序列模型 (CI-Seq2Seq) 来学习可以模拟因果因素的因果表示,以引导我们获取总结生成的因果信息。在两个广泛使用的文本总结数据集上的实验结果证明了我们方法的优势。
Aug, 2023
该研究旨在应用大型语言模型,利用 “文本输入” 方法来发现变量间的因果关系,以解决当前领域专家掌控下的先验错误问题;针对大型语言模型中三种潜在的先验错误(顺序一致错误、逆序错误和不相关错误),提出了一种无需人工干预的贝叶斯网络学习策略,并且经过了实验验证其能够抵御逆序错误,同时保持正确先验知识的大多数。
Jun, 2023