量化的布尔贝叶斯网络:逻辑图模型的理论与实验
本文提出了一种将 Belief Propagation 算法扩展到量子网络的方法,并研究了量子 Markov Networks 的结构,探讨了使用量子 Belief Propagation 作为一种启发式算法的可能性。最后,描述了该方法在量子纠错编码和模拟多体量子系统中的应用。
Aug, 2007
论文介绍了能够克服贝叶斯网络在表示对象和关系等方面的局限性的贝叶斯逻辑程序,并通过一个映射方法将基本的贝叶斯网络和明确的条目逻辑相结合,证明它们的定量和定性的相互独立性,并且同时将贝叶斯网络和逻辑程序进行了广义化。
Nov, 2001
我们提出了一种新的框架,无缝提供神经网络(学习)和符号逻辑(知识和推理)的关键属性,每个神经元都有权重实值逻辑公式的组成部分,得到了高度可解释的分离表示,推理是全向的而不是集中在预定义的目标变量上,对应于逻辑推理,包括经典的一阶逻辑定理证明作为特殊情况。
Jun, 2020
本文提出一种面向对象的贝叶斯网络(OOBN)语言,旨在解决在面临大型复杂的领域时,使用贝叶斯网络进行建模的困难,并描述了建立复杂领域的过程中所采用的用于描述对象间关联的碎片化贝叶斯网,并提供了 OOBN 的推理算法以及在推理过程中利用模型碎片化和变量封装来加快速度和提高效率的应用。
Feb, 2013
本文介绍了使用本地重新参数化技巧(LRT)和归一化流在 LBBNN 方法的变分后验分布上的应用,以改进预测性能并获得更稀疏的网络,通过两个模拟研究证明这些贝叶斯方法的使用可以得到更为实际的预测不确定性估计。
May, 2023
该论文介绍了一种新的网络类型 —— 线性化置信网(LBN)—— 它是实值条件分布的普遍逼近器,并且能够有效地训练,在图像去噪和面部表情生成等任务中取得了最先进的结果。
Nov, 2015
本文章提出了一个适用于贝叶斯推断的图形框架,能够容纳标准情况以及最近有关量子贝叶斯推断理论的提议,其中考虑密度算符而非概率分布作为信念度量的代表。该文对对称单调范畴的图形语言,紧凑结构和其中的 Frobenius 结构进行了说明,其中贝叶斯反演简化为相对于适当紧凑结构的转置。同时,我们还介绍了一种类量子的微积分,其中 Frobenius 结构是非交换的,并且可以容纳 Leifer 的 “条件密度算符” 微积分。本文还将条件独立性的概念推广到图形设置,并与贝叶斯网络理论进行了初步联系。最后,我们演示了如何在任何陪距紧凑范畴内构建图形贝叶斯微积分。
Feb, 2011
本研究介绍了利用贝叶斯信念网络和影响图构建概率表示模型的过程,并探讨了一些通用技术,如‘噪声 OR 门’概念,以帮助建立和量化不确定关系,并对 Bayes 网络的通用元素进行了敏感性分析,从而获得对概率评估足够粗糙时和需要更高精度时的见解。
Mar, 2013
通过约束逻辑编程的框架,提出了一种新方法 CLP (BN),用于表达贝叶斯网络,该方法使用唯一的新符号 Skolem 函数表示具有未知值的对象,与 PRMs 和概率逻辑程序相关。
Oct, 2012