本研究提出了在条件独立图上进行知识传播的算法,实验证明该技术在公开可用的 Cora 和 PubMed 数据集上优于现有技术。
Aug, 2023
对于离散变量的概率依赖图,提出了一种可行的推理算法,通过将其转化为凸优化问题并应用内点方法来达到多项式时间求解,实现优于基准方法的推理效果。
Nov, 2023
本文在不独立于同分布的数据实例上扩展了 d 分离理论,引入关系分离理论以从 relational models 推导条件独立性并提出了抽象的 ground graph 表达方式,从而实现了一种可靠、完整、高效的计算 d-separation 查询的方法。
Feb, 2013
本研究研究了有向无环图在表示条件独立关系方面的作用,提出 DAG 可以用来推断条件独立关系并可以比其他准则发现更多合法的独立关系。此外,研究还表明 DAG 所显示的依赖关系是相一致的。
Mar, 2013
该研究综述了图神经网络和概率图形模型的交叉应用,探讨了 GNN 如何受益于 PGM 学习结构表示,如何实现更有效的推理和结构学习,以及分析了近期研究中使用的基准数据集和未来研究方向。
May, 2022
本文提出了一种创新性的解决方案,通过构建无限树状 PGMs 来精确对应神经网络,发现 DNNs 在前向传播过程中实际上是精确的 PGM 推理的近似,这种直接的近似揭示了 DNNs 的精神内核。
May, 2023
建立概率图模型从观测数据中学习结构时,会发现模型中的随机变量之间存在方向性的循环依赖关系。我们描述了一种概率图模型 - 概率关系网络,它允许直接捕捉结构学习过程中的方向性循环依赖关系。该模型基于一个简单的思想,即观测数据的每个样本都可以通过任意图来表示,这个图反映了样本中包含的变量间的依赖关系结构。我们探索了该模型中的完全联合分布和条件分布以及变量之间的条件独立性质。我们定义了从数据集构建模型和计算条件分布和完全联合分布的算法,并与贝叶斯网络和马尔可夫网络进行了数值比较。该模型不违背概率公理,支持从观测数据中学习,并支持概率推断,因此在数据分析、专家决策和设计应用中具有潜在的用途。
Oct, 2023
提出了一个用于表示随机过程网络的图形模型 —— 最小生成模型图。该模型是基于时间上联合分布的简化因子化建立的,可以量化 Granger 因果性,并开发了高效的方法来从数据中估计拓扑结构。该算法已在 Twitter 网络的分析上得到了验证。
Apr, 2012
研究通过混合因果模型来获得分布,并探讨了如何从基于此类分布的样本中进行因果结构学习及如何使用这些信息对样本进行聚类。
Jan, 2020
本文提出了一种新的图形模型组,用于获取时间中发生事件的依赖结构,这是不对称的动态概念,与 Granger 非因果性类似,引入了一种新的图形分离概念,称为 delta - 分离,并探讨了该模型及其似然推断的影响,讨论了有关促进对动态依赖关系的推理和理解以及计算简化的好处。
Oct, 2007