Feb, 2024

贝叶斯网络开发中定性参数化的实践

PDF
TL;DRBayesian 网络结构开发的典型阶段包括目的和范围的确定、结构发展、参数化和验证。在结构发展阶段，通常关注定性问题，而在参数化阶段则关注定量问题。然而，在这两个阶段都会出现定性和定量问题。在初步开发了初始结构之后，通常会进行粗略的参数化，以捕捉和说明模型的预期定性行为。这是在更严格的参数化之前进行的，以确保结构适合目的，并支持后续的开发和验证。我们的共同经验和与其他建模者的讨论中发现，这一步骤是开发过程中重要的一部分，但在文献中很少提及。由于实践侧重定性问题，尽管其本质上是定量的，我们将这一步骤称为定性参数化，并概述了它在 BN 开发过程中的作用。
bayesian networkstructure developmentparameterisationqualitative issuesquantitative issues
发现论文，激发创造
  • 贝叶斯网络中的敏感性分析：从单参数到多参数

    本文扩展了贝叶斯网络中敏感性分析的先前工作，通过提出一种多参数的方法来帮助理解对单参数变化的查询的敏感性，并找到使得当前概率分布受扰动最小的最优解，同时阐述了新技术在开发和调试贝叶斯网络及价值（可靠性）的推理等方面的应用。

    Jul, 2012

  • 构建贝叶斯信念网络的实际问题

    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

  • 模型和参数不确定性下的贝叶斯神经网络变分推断

    本研究旨在利用模型不确定性作为 BNN 结构学习的框架，提出了可与模型空间约束结合的可扩展变分推理方法，试图在模型和参数的联合空间中进行推理，进而实现结构和参数不确定性的组合，并在基准数据集上进行了实验，表明使方法比普通 Bayesian neural networks 更加稀疏，但得到了与竞争模型相当的精度结果。

    May, 2023

  • 实证的不动点分岔分析

    通过结构化的模型描述参数变化对于质量体系行为的影响，特别是引入高斯过程模型的转化图扩展，通过与固定点和相关局部线性化直接参数化学习到的转化图，恢复了一个一维系统的行为，并学习了一个更加现实的相互抑制的二维神经元群体的行为。

    Jul, 2018

  • 定性概率网络中的正依赖关系

    本文研究了定性概率网络中的对称性质问题及其对非二元 QPN 的推断的影响并给出了可能的解决方案。

    Aug, 2022

  • 贝叶斯神经网络推断的不确定性量化质量

    本研究通过对 10 种常见的推断方法在回归和分类任务中的预测不确定性估计结果进行实证比较，发现常用的指标可能会导致误导，并表明为了得到高质量的后验逼近并不一定需要具有捕获后验结构的推断创新。

    Jun, 2019

  • 通过干预主动学习连续时间贝叶斯网络

    本文提出一种基于变分近似的实验设计新准则，用于从时域数据中学习连续时间贝叶斯网络 (CTBN) 的结构和参数，通过求解 CTBN 的 Master 方程取代对实验结果的采样以缓解高维度实验中的计算负担，并将模型扩展到条件 CTBN 以更好地处理干预序列推荐等问题。

    May, 2021

  • 量化的布尔贝叶斯网络：逻辑图模型的理论与实验

    本文介绍 Quantified Boolean Bayesian Network (QBBN)，提供了逻辑和概率推理的统一视角，通过创建具有逻辑推理基础的无界布尔变量的贝叶斯网络，以解决信息检索中大型语言模型（LLM）产生幻觉的问题，并且研究了推断方法中的 LBP 的使用和收敛性。

    Feb, 2024

  • 通过贝叶斯学习深度神经网络结构来度量不确定性

    这篇研究论文探究了一种新型的贝叶斯深度学习，通过在网络结构上执行贝叶斯推断来加强深度网络的不确定性估计，并提出了一种有效的随机变分推断方法，以统一网络结构和权重的学习。

    Nov, 2019

  • 在贝叶斯网络中找到一个 $ε$- 接近的参数变化

    本文提出了一种基于 “区域验证” 技术的算法，旨在解决贝叶斯网络中的 ε- 接近参数调整问题，通过修改条件概率表中的概率值来满足定量限制，并且对包括具有多个 CPT 参数和不同 CPT 之间的参数依赖关系的极少接受关注的参数化 BN 子类进行了研究，证明了在有多达 8 个参数的大型 BN 基准测试中可以实现 ε- 接近调整。

    May, 2023