大规模动态贝叶斯网络结构学习的分而治之策略
本文介绍了一个针对连续时间贝叶斯网络(CTBNs)的参数和结构学习方法,提出一种共轭先验用于贝叶斯参数估计和贝叶斯结构学习评分,CTBNs 可以更好地适应不同变量演化的时间粒度,相较于动态贝叶斯网络有着很大的优势。
Oct, 2012
本文提出了一种基于多核 CPU 的快速解决方案 Fast-BNS,用于加速贝叶斯网络结构学习,通过动态工作池设计、CI 测试分组、缓存友好数据存储和实时生成条件集等优化措施,实现了对处理时间和内存使用的有效控制,并在综合实验研究中证明了其相对于当前多线程技术的显著加速效果。
Dec, 2022
本文介绍了一种名为 “BigBraveBN” 的高效算法,该算法利用了勇敢系数、互信息度量和最近邻方法,用于学习大型 Bayesian Networks 的结构,并在实验中证明了其效率。
Aug, 2022
利用一种基于得分的方法来解决动态贝叶斯网络中的结构学习问题,该方法同时估计时间序列中变量之间的同步和时间滞后关系,并且在模拟数据和真实数据方面都具有较高的准确性和可扩展性,特别适用于需要学习变量间时间关系的多个问题。
Feb, 2020
本文提出了一种基于得分的图神经网络方法,旨在学习离散时间时间图中捕捉因果依赖的稀疏 DAG,结果表明该方法较其他现有方法如动态贝叶斯网络推断等表现更好,得到的结构因果模型也比诸如 Notears 等方法发现的线性 SCM 更准确。
Jan, 2023
提出了一种新的概率图模型结构学习方法,通过在随机变量实例化级别上操作来学习,推广和解释在这些难以捉摸的领域中,从而解决机器学习方法在精度不尽如人意的情况下的问题,并且通过 Bayesian Knowledge Bases(BKBs)来利用 Information Thermodynamics 和 MDL 原理解决了结构化选择问题并提高了学习效果,最终运用在乳腺癌基因突变数据学习基因调节网络。
Mar, 2023
我们介绍了一种新的方法来学习结构属于树宽有限的贝叶斯网络 (Bayesian Network)。该方法的关键是局部应用基于 MaxSAT 的精确方法,以提高启发式计算 BN 的得分。我们的实验证明,我们的方法可以显著提高由最先进的启发式方法提供的 BN 的得分。
Jun, 2020
本文介绍了如何使用并行化算法代替单处理器机器上基于回溯算法的 Bayesian 网络结构学习,以提高效率和稳定性。同时,利用该框架,以及 4 个参考网络和 2 个现实中的数据集,演示了约束性算法的实现性能。
Jun, 2014
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