Aug, 2023

利用混合效应模型和分层聚类学习具有异质农学数据集的贝叶斯网络

PDF
TL;DR通过将随机效应引入贝叶斯网络学习，该研究提出了一种新的方法，可以增强结构学习并改进模型规范，从而应用于复杂的农学数据集结构，提高决策支持工具的价值。
hierarchical modelsbayesian networksrandom effectsstructural learningagronomic data
发现论文，激发创造
  • 基于因果相似性的分层贝叶斯模型

    通过学习如何从具有相似因果机制的训练任务中汇总数据，我们提出了基于因果相似性的层次贝叶斯模型，以改善对新任务的泛化能力。我们将这一泛化建模原则应用于贝叶斯神经网络，并通过对模拟和实际数据的一系列实验展示了我们方法的优势和实用性。

    Oct, 2023

  • 贝叶斯回归树模型用于因果推断：正则化，混淆和异质效应

    提出了一种针对小效应、异质性效应和强混淆情况下估计异质性治疗效应的新型非线性回归模型，它通过直接将倾向函数估计值纳入响应模型的规范化中，隐式地在回归函数上产生一个协变量依赖的先验，从而回避了标准非线性回归模型在针对混淆强的数据上所产生的治疗效应估计偏倚的问题。同时，这种基于贝叶斯因果森林模型的方法使得治疗效应的异质性能够被分别规范化，从而实现对异质性进行信息收缩。通过对一项关于吸烟对医疗支出因果效应的观察性研究重新分析和广泛的模拟研究，我们表明了这些好处。

    Jun, 2017

  • 个性化的二项式有向无环图学习与网络结构协变量

    本文研究利用多元计数数据进行因果发现，引入个性化的二项式有向无环图模型以应对用户异质性和观测之间的网络依赖关系，通过将网络结构嵌入到降维协变量中来学习所提出的有向无环图模型，并探索方差 - 均值关系以确定节点的顺序。通过模拟实验证明我们的算法在异质数据上胜过现有的竞争对手，并在实际的网页访问数据集上验证了其实用性。

    Jun, 2024

  • 在最优因子范围内找到所有贝叶斯网络结构

    提出了一种基于近似算法的模型平均方法，该方法仅考虑可靠的模型且能在数据量较大的情况下高效地进行比较。

    Nov, 2018

  • 多项式信念网络

    基于贝叶斯方法的深度生成模型用于处理不确定性、稀疏数据和健康数据分析，通过数据驱动方式提取具有生物学意义的元签名。

    Nov, 2023

  • 使用 Tsetlin 机从数据中生成贝叶斯网络模型

    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。

    May, 2023

  • 递归贝叶斯网络：概括和统一概率无上下文文法和动态贝叶斯网络

    本文提出了递归贝叶斯网络 (RBNs)，它是概率上下文无关文法和动态贝叶斯网络的扩展和统一，将它们的优点结合在一起作为特殊情况，定义了一个关于离散或连续潜在变量的树形结构贝叶斯网络的联合分布，同时解决了潜在变量为连续的情况下的结构和连续变量推断的挑战。

    Nov, 2021

  • 基于节点学习的多个高斯图模型

    该论文探究了高维高斯图形模型估计问题，提出了两种假设：网络差异源于被扰动的个别节点或在所有网络中共享的公共中心节点，然后使用凸优化问题和多重乘数算法解决，并以合成数据、网页数据和癌症基因表达数据为例进行说明。

    Mar, 2013

  • 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

  • 结构学习的结构先验

    本文提出了一种基于贝叶斯网络结构学习的非参数生成模型，采用分层贝叶斯框架来捕捉变量之间的系统性关系，通过 MCMC 算法推导出变量的类别、贝叶斯网络结构和类别间的先验概率，实验证明该方法在小样本数据集中更准确。

    Jun, 2012