本文提出一种新的 k-MAX 算法用于学习具有有界三角形宽度的贝叶斯网络,改进了数据不完全的结构 EM 算法,进而实现了缺失数据的填充。该算法可以在短时间内获得和竞争者相同的缺失数据恢复精度,并且具有线性最坏时间复杂度和易于并行化等优点。
Feb, 2018
本文提出了两种一致且计算效率高的算法,用于学习最小化的潜在树图模型,并与其他现有方法进行了比较,所提出的算法在隐藏马尔可夫模型和星形图等各种潜在树图模型上进行了详尽的数值实验。
Sep, 2010
本文介绍了一种使用名为结构 EM 的算法进行贝叶斯模型学习的方法,该算法可以有效地从不完整数据中学习信念网络的结构,并可用于学习各种概率模型,包括贝叶斯网络和其变体。
Jan, 2013
在本研究中,我们提出了一种名为 MissNODAGS 的新框架,用于从部分缺失的数据中学习循环因果图。通过合成实验和真实的单细胞干预数据,我们证明在部分缺失的干预数据上使用最先进的填充技术后进行因果学习相比之下,MissNODAGS 表现出更好的性能。
Feb, 2024
本文从透明度、可估计性和可测试性的三个方面,评估了传统框架的限制,并展示了如何通过基于图形模型的方法来克服这些限制并在包括 MNAR 在内的广泛缺失数据问题中提供有意义的性能保证。同时,提出了在 MAR 和 MNAR 类别中对缺失数据模型进行可测试的推论。
Jan, 2018
该研究考虑了多元线性树模型的结构学习问题,引入了一种基于谱递归分组算法的底层向上过程以从观察到的变量的独立样本中恢复树结构,并给出了确切恢复树结构的有限样本大小界限,这些界限基于潜在联合分布的统计和结构属性,并且样本复杂度保证不依赖于观察变量维度,因此适用于许多高维设置。
Jul, 2011
本文回顾和讨论了一些关于图模型的进展,包括了无向图模型和有向图模型的估计方法,以及处理潜在变量和异构数据源的拓展。
Jun, 2016
提出了一种基于预测信念传播的新型学习和推断算法,对于一般潜变量图模型,算法将硬参数学习问题简化为一系列监督学习问题,并将学习不同种类的潜变量图模型统一到一个局部最优、统计一致的学习框架中,此算法在合成和真实数据集上显著优于前人方法,也更快地计算。
Dec, 2017
本篇论文利用决策树表示数据观测过程并使用基于贝叶斯决策理论的先验概率分布,将实现统计上最优的预测结果。同时,我们解决了计算 Bayes 最优预测的问题,例如内部节点的特征分配问题,实现方法为应用马尔可夫链 - 蒙特卡洛方法,其步长可以根据先验分布自适应调整。
Jun, 2023
研究了隐变量图模型中的结构估计问题,提出了一种计算高效且保证正确性的方法,并应用于局部树状结构的模型及相关衰减的模型,特别地,对于伊辛模型,该方法能与采样要求的下界接近。
Mar, 2012