Aug, 2023

通过高阶 HSIC 以递增的信息学习非参数 DAGs

PDF
TL;DR通过确定一组父节点的可识别性条件，本文提出了一种基于最优调整算法的学习贝叶斯网络的方法，使用 Hilbert-Schmidt 独立性准则进行优化问题，证明了高阶 HSIC 的增量属性，实验证明该算法在不同合成数据集和实际数据集上优于现有方法，在 Sigmoid 混合模型中，算法的结构干预距离（SID）比 CAM 算法小 329.7，表明该算法对图的估计缺少的边更少。
score-based methodsbayesian networksoptimizationidentifiability conditionot algorithm
发现论文，激发创造
  • 带有条件独立性检验的层次化拓扑排序对有限时间序列的应用

    通过引入有限时间序列数据和条件独立性检验，我们提出了一种层次拓扑排序算法（HT-CIT），以更高效地学习稀疏的有向无环图，从而比其他流行方法具有更小的搜索空间，并大大减少需要修剪的边的数量。来自合成和真实数据集的实证结果证明了所提出的 HT-CIT 算法的优越性。

    Aug, 2023

  • 可识别异方差噪声模型下的因果发现

    基于连续优化框架通过引入松弛且可实现的充分条件，证明了一类可辨识的结构方程模型 (SEM)，在此基础上提出了一种新颖的有法考虑噪声方差变异的 DAG 学习方法，并设计了一个有效的两阶段迭代算法来解决优化困难，实现对具有异方差变量噪声和不同方差的数据的因果 DAG 学习。在合成数据和实际数据上，实验结果显示该方法明显优于现有方法。

    Dec, 2023

  • 希尔伯特 - 施密特独立准则下的强健学习

    使用 HSIC 作为损失函数学习鲁棒回归和分类模型，以期望产生具有良好概括性能力的模型用于处理无监督共变量漂移任务，实验表明其优于标准损失函数取得最新成果。

    Oct, 2019

  • 带有隐藏变量的图模型中因果效应的半参数推断

    本文提出了针对单个处理和单个结果涉及种类繁多的隐藏变量有向无环图的人口水平因果效应的 influence function-based 估计器以及重要类别的隐藏变量 DAG，该类别在处理满足一个简单图形标准的情况下，生成调整和前门函数，同时还提供了统计模型的必要和充分条件。

    Mar, 2020

  • 使用最佳顺序分数搜索和增长缩小树快速可扩展精确发现有向无环图

    通过引入最佳次序得分搜索（BOSS）和增长 - 收缩树（GSTs）方法，我们在学习因果图过程中提出了一种有效的方法，其能够解决包含数百个高度连接变量的问题，例如从 fMRI 数据中恢复脑网络。通过在变量的排列组合上进行贪婪搜索，并使用 GSTs 来构建和评分有向无环图，BOSS 具有最先进的准确性和执行时间，可以在广泛的条件下与各种组合和基于梯度的学习算法相比较。我们还将 BOSS 应用于两组静息态 fMRI 数据，包括从随机经验 fMRI 皮层信号导出的伪经验噪声分布的模拟数据和处理成皮层分区的 3T fMRI 扫描的临床数据，结果证明了 BOSS 的实用性。BOSS 可在包括 Python 和 R 封装的 TETRAD 项目中使用。

    Oct, 2023

  • 基于梯度的神经 DAG 学习

    本文提出了一种基于得分的方法，利用神经网络在连续约束优化理论的基础上，允许处理变量之间的非线性关系，用于学习有向无环图，相对于其他连续优化方法，这种方法在很多任务上表现更好，在因果推断的重要度量上与现有的贪婪搜索方法相比具有竞争力。在合成存储和真实世界数据集上进行了试验。

    Jun, 2019

  • 基于最稀疏排列的有向无环图学习

    该研究提出了一种新的基于分数的算法（SP 算法）来学习贝叶斯网络或有向无环图（DAG）模型，该算法在弱于忠实性假设的条件下具有一致性保证，并且在一些小 DAG 的模拟中表现出与其他算法相比的优越性。

    Jul, 2013

  • 核最大化依赖下的自主学习

    本研究从统计相关性的角度探讨自我监督学习方法，提出了一种基于 Hilbert-Schmidt 独立性准则（SSL-HSIC）的自我监督学习方法，该方法最大化与图像表示转换和图像身份的相关性，并将那些表示的核化方差最小化。实验表明，该方法在 ImageNet 数据集上的表现可以匹敌当前的最佳方法。

    Jun, 2021

  • 通过逆协方差估计进行高维度线性因果网络学习

    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

  • 可微贝叶斯结构学习中的拓扑排序与保证无环约束

    通过结合拓扑排序的知识，我们提出了一种用于限制生成图的无环性的替代方法，该方法可以降低推理复杂度，同时确保生成的图的结构是无环的，并在模拟和真实数据的实证实验中表现优于相关的基于贝叶斯评分的方法。

    Sep, 2023