该研究提出了第一个用于学习高维线性贝叶斯网络的贝叶斯方法,该方法通过反向逐步估计拓扑排序的每个元素及其父节点,使用了偏差协方差矩阵的逆。当应用于具有不等收缩的逆协方差矩阵的贝叶斯正则化时,该方法成功恢复了底层结构。具体来说,该方法表明样本数 n = Ω(d_M^2logp) 和 n = Ω(d_M^2p^{2/m}) 足以让该算法学习具有亚高斯和 4m 阶有界矩的线性贝叶斯网络,其中 p 是节点数,d_M 是道德化图的最大度数。理论发现得到了包括真实数据分析在内的大量模拟研究的支持。此外,该方法在合成数据中表现出优于 BHLSM、LISTEN 和 TD 等频频方法的性能。
Nov, 2023
对于一大类随机拉普拉斯矩阵来说,最大特征值与最大对角线元素的大小关系是紧的。其中最大特征值可以用半正定松弛方法解决,从而解决了一些凸松弛算法紧度的问题。这也可以解释 Erdős-Rényi 图的连通阈值和谱范数矩阵估计等问题。
Apr, 2015
本文研究了在给定概率分布 P({0,1}^n 上),并具有样本访问的情况下,测试潜在贝叶斯网络的最大入度的问题。研究表明,该问题的样本复杂度为 Θ(2^(n/2)/ε^2) 。我们的算法依赖于先前用于获得样本最优测试器的测试通过学习框架;为了应用该框架,我们开发了新的算法来进行 “近似适当” 的贝叶斯网络学习,并在 χ^2 差异下高概率学习,这具有独立兴趣。
Apr, 2023
研究不均匀的 Erdos-Renyi 图,探究极限特征值的行为,发现其表现出新颖特征,证明最大度数是其一阶特征,并建立了围绕最大度数的特征点交叉。
Apr, 2017
本研究证明:在一个有限维的随机点积图的归一化拉普拉斯矩阵的 $d$ 个最大特征值所对应的特征向量的组成部分符合中心极限定理。作为推论,我们证明了对于随机块模型图,归一化拉普拉斯矩阵的谱嵌入的行收敛于多元正态分布,并且每个行的均值和协方差矩阵是其所对应顶点块成员的函数。与邻接矩阵的特征向量的先前结果一起,我们通过多元正态分布之间的 Chernoff 信息比较了嵌入方法选择对后续推理的影响,演示了嵌入方法都不占优势,因此推断潜在块分配的任务无法通过这些嵌入方法获得显著提升。
Jul, 2016
我们提出了一种稀疏图的学习方法,应用于一个无向高斯图模型的问题,并通过凸混合整数规划框架得到了新的估计器,该估计器在稀疏性精度矩阵的估计与变量选择方面有着优越的性能。
Jul, 2023
本文介绍了一种贝叶斯方法用于从完整数据中学习贝叶斯网络结构,并使用前向 - 后向技术和快速莫比乌斯变换算法实现了对所有潜在边缘后验概率的计算,从而加速了学习中等大小网络的统计能力的实验研究。
Jun, 2012
本文基于高斯正交、幺正及交叉矩阵集合,在精确计算了最大(最小)特征值偏离的概率后,证明了特征值均为正数(负数)的概率随着 N 的增大而下降,同时计算了特征值落在给定区间内的概率,以此推导出最大值和最小值特征值的联合概率分布并得出了特征向量密度的平均密度。
Jan, 2008
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
本论文提出了一种新的基于统计估计的带有两个部分的框架,通过使用 moralized 图在 DAGs 中选择最佳得分的图。
Nov, 2013