Feb, 2024

通过状态增强与随机排列进行变分 DAG 估计

PDF
TL;DR从概率推断的角度来看，文章提出了一个解决贝叶斯网络的结构估计问题的方法，通过在一个扩展的有向无环图和排列空间上的联合分布进行后验估计，利用离散分布的连续松弛来利用变分推断，从而在一系列合成和实际数据集上胜过竞争性的贝叶斯和非贝叶斯基准模型。
bayesian networkdirected acyclic graphcausal discoveryuncertainty quantificationvariational inference
发现论文，激发创造
  • 变分因果网络：对因果结构进行近似贝叶斯推断

    本文提出了对基于结构性因果模型的图形变分推断的形式，通过参数化变分模型来模拟分布，并在参数数量与变量数量的指数无关的情况下进行可处理的训练。

    Jun, 2021

  • ProDAG: 基于投影的有向无环图的变分推断

    基于变分贝叶斯推理框架，我们开发了一种在有向无环图中量化不确定性的方法，通过引入新的分布，该分布直接在 DAG 空间上支持，我们的方法 ProDAG 可以提供准确的推理，通常优于现有的先进方法。

    May, 2024

  • BayesDAG：用于因果发现的基于梯度的后验抽样

    基于随机梯度马尔可夫链蒙特卡洛 (SG-MCMC) 的可伸缩贝叶斯因果关系发现框架，无需任何有向无环图 (DAG) 正则化约束，直接从后验中采样有向无环图 (DAG)，同时绘制函数参数样本，适用于线性和非线性因果模型。基于合法的等价关系，我们首次应用基于梯度的 MCMC 采样用于因果关系发现。通过对合成数据集和真实世界数据集的实证评估，展示了我们方法与最先进基准模型的有效性。

    Jul, 2023

  • 面向可扩展的因果 DAGs 贝叶斯学习

    本文提出了贝叶斯因果推断的方法，其中用到了 MCMC 方法来进行图结构的采样，并得到了线性高斯 DAG 模型的因果效应估计。

    Sep, 2020

  • 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

  • 可微分有向无环图采样

    提出了一种可微分的概率模型 DP-DAG，用于在连续优化中快速采样 DAG 并结合变分推断的 VI-DP-DAG 方法，在合成和真实数据集上进行实验，表明该方法可显著提高 DAG 结构和因果机制学习，同时比竞争者更快地进行训练。

    Mar, 2022

  • 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

  • BCD 网络：用于贝叶斯因果发现的可扩展变分方法

    本文提出了 Bayesian Causal Discovery Nets (BCD Nets)，它是一个用于估计线性 - Gaussian SEM 中描述一个 DAG 的概率分布的变分推理框架。本框架采用了连续松弛，适当的先验分布以及表达力强的变分族等重要设计，旨在解决实际情况下对潜在图进行的不确定性估计问题。最终实验表明，与基于最大似然的方法相比，BCD Nets 在低数据环境下的结构 Hamming 距离等标准因果分析评估指标上表现更好。

    Dec, 2021

  • 干预与观测数据的联合：有向无环图的干预马尔可夫等价类估计

    该研究提出了一种基于高斯似然框架的有向无环图模型，用于联合建模观察数据和干预数据，以及通过 BIC 准则对干预马尔可夫等价类进行一致性估计，从而改善了干预数据的部分可鉴别性，提供更紧密的因果效应推断。

    Mar, 2013

  • 高效采样下的中等规模贝叶斯网络结构学习

    本文研究学习贝叶斯网结构的贝叶斯模型平均方法，提出了新算法，包括第一个能够根据精确结构后验有效采样有向无环图的算法。 DAG 样本可以用来构造任何特征的后验估计器，在理论上证明了我们的估计器的良好性质，并在实证上表明估计器明显优于先前最先进方法的估计器。

    Jan, 2015