AAAIJan, 2024

高斯过程与马蹄铁先验的半参数专家贝叶斯网络学习

PDF
TL;DR该论文提出了一种在具有线性参数和结构约束的专家贝叶斯网络中学习半参数关系的模型 (SEBN)。我们使用高斯过程和 Horseshoe 先验引入最小的非线性组件。为了优先修改专家图而不是添加新的边缘，我们优化了差分 Horseshoe 比例。在具有未知真实性的真实世界数据集中，我们生成多样的图以适应用户输入，解决可识别性问题并增强可解释性。在合成和 UCI Liver Disorders 数据集上的评估，使用类似结构 Hamming 距离和测试似然的指标，证明我们的模型优于最先进的半参数贝叶斯网络模型。
发现论文，激发创造
  • 基于图高斯过程的贝叶斯半监督学习

    提出了一种基于高斯过程的贝叶斯方法对图中的半监督学习问题进行高效数据处理，与目前最先进的图神经网络相比，该模型表现出极强的竞争力，在标记稀少的主动学习实验中超越了神经网络，并且模型不需要验证数据集来控制过拟合。

    Sep, 2018

  • 结构化 Horseshoe 先验贝叶斯神经网络的变分学习

    本文介绍了针对贝叶斯神经网络的节点选取问题，使用马蹄铁 Prior 激活 Bayesian 神经网络的方法，提高了模型紧凑度，不影响性能表现，特别适用于小样本情况下的强化学习。

    Jun, 2018

  • 高斯过程 Port-Hamiltonian 系统：物理先验下的贝叶斯学习

    提出用高斯过程 Port-Hamiltonian 系统（GP-PHS）作为物理信息的贝叶斯学习方法，以不确定性量化为特点。由于底层物理模型，GP-PHS 生成具有关于指定输入和输出的被动系统，并保留了 Port-Hamiltonian 系统的组合性质。

    May, 2023

  • 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

  • 基于 Horseshoe 先验的贝叶斯神经网络模型选择

    本研究利用马蹄铁先验模型来有效关闭 Bayesian neural network 中不必要的节点，从而解决模型选择问题，成功避免过拟合。研究显示，与当前方法相比，该先验模型能够学习具有可比较的预测性能的更小网络，并且不会降低其预测质量和计算性能。

    May, 2017

  • 通过嵌套高斯过程的本地自适应贝叶斯非参数回归

    本文提出一种巢状高斯过程作为贝叶斯非参数回归的局部自适应先验，并通过随机微分方程来规定一个用于函数 $m$ 阶导数的高斯过程先验。该方法在后验推断上使用高效的马尔科夫链蒙特卡洛，在模拟研究中表现良好并可扩展大规模数据。

    Jan, 2012

  • 扩展随机块模型及其在犯罪网络中的应用

    通过基于吉布斯先验的扩展随机块模型（ESBM），本文研究了包含测量误差、未知核 - 边缘、同类与异类结构的隐藏式犯罪网络的组结构学习问题，并针对各类不确定性提出了更准确的建模、估计和预测策略，其中以 Gnedin 过程为先验的 ESBM 表现出较高的准确性。

    Jul, 2020

  • 稀疏高斯图模型的贝叶斯结构学习

    本文介绍了一种基于贝叶斯框架的高斯图模型确定方法，它是基于连续时间出生 - 死亡过程的转维度马尔可夫链蒙特卡罗方法。该方法易于实现，在高维图形方面具有计算可行性，验证表明该方法在收敛、图形空间中的混合和计算时间方面优于替代贝叶斯方法，并应用于基因表达研究中。

    Oct, 2012

  • 使用贝叶斯神经网络学习全局成对交互

    提出了一种探测未知形式交互作用效应的非参数概率方法，首先用贝叶斯神经网络模拟特征和输出之间的关系，使用 Bayesian Group Expected Hessian 方法评估交互作用效应和不确定性，最后演示了该方法探测深层神经网络的高阶特征的能力。

    Jan, 2019

  • 基于图的半监督学习的灵活生成性框架

    本文提出了一个基于图结构的半监督学习的生成框架，通过逼近节点特征，标签和图结构的联合分布，使用可扩展的变分推断技术来推断缺失的标签，并在基准数据集上进行了全面的实验，结果表明该方法在大多数设置中优于现有的最先进模型。

    May, 2019