Jun, 2024

贝叶斯网络中不确定参数的全局敏感性分析

PDF
TL;DR传统上，贝叶斯网络的敏感性分析研究了以逐个修改其条件概率表的方式对其影响，我们提出进行全局基于方差的敏感性分析，使用低秩张量分解来降低维度，并通过 Sobol 法得出全局敏感性指标，从而展示不确定参数及其交互作用的真实影响。
sensitivity analysisbayesian networkglobal variance-basedlow-rank tensor decompositionsobol indices
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

  • 贝叶斯神经网络中预测不确定性的敏感性分析

    本研究针对基于贝叶斯神经网络的黑盒概率模型，提出了一种新的敏感性分析方法，旨在增强对预测不确定性的理解和解释能力，并在真实数据集上进行了验证。

    Dec, 2017

  • You Only Derive Once (YODO): 贝叶斯网络中的高效敏感度分析自动差分

    该研究提出一种基于自动微分和精确推断的方法，通过一遍推断来获得贝叶斯网络的所有敏感度值，并用 PyTorch 实现。该方法可用于大型网络，以提高计算效率并排名各参数的重要性。

    Jun, 2022

  • 使用全局敏感性分析方法评估进化算法超参数的排名和有效性

    本文采用 Morris LHS、Morris 和 Sobol 三种灵敏度分析方法，系统分析协方差矩阵适应进化策略、差分进化、非支配排序遗传算法 III 和基于分解的多目标进化算法的可调超参数对性能指标的直接和相互作用影响，探究了超参数对采样方法和性能指标的行为，提出了它们之间的作用方式和排序建议。该研究结果可用于调整算法的超参数，以达到更为稳定的性能。

    Jul, 2022

  • YODO 算法：Bayesian 网络中灵敏度分析的高效计算框架

    提出了一种使用自动微分和精确推理相结合的算法，能够高效地计算灵敏度测量值，此方法已用于两个中等规模的贝叶斯网络，并实现了流行机器学习库 PyTorch。

    Feb, 2023

  • 参数鲁棒马尔可夫链高效灵敏度分析

    本文提出了一种新颖的敏感性分析方法，针对参数健壮的马尔可夫链，基于概率分布，对转移概率的偏导数进行度量，并提出了高效的方法来计算这些偏导数，同时展示了一个扩展方法来选择具有最大偏导数的 k 个参数，该方法基于线性规划并绕过参数值计算这些程序的不同部分。实验表明，该方法具有扩展性和应用性，适用于具有数百万状态和数千参数的模型，并应用于从敏感性分析中获取迭代学习方案中的收益。

    May, 2023

  • 敏感度感知的摊还贝叶斯推断

    我们提出了一种综合多角度的方法，将敏感性分析集成到摊销的贝叶斯推理中，并在应用建模问题中展示了其有效性。

    Oct, 2023

  • 对没有明显可观察结果的观察性研究进行灵活的敏感性分析

    这篇文章介绍了一个基于 Tukey 的因子化方法的框架，可以为治疗分配指标和观察到的潜在结果之间的未知关系构建未识别选择函数，从而实现灵活模型的应用，以实现对于平均治疗效应和分位数治疗效应的 Bayesian 非参数模型的估计，同时提供了识别和未识别因素的感受性参数来衡量这些不确定因素。

    Sep, 2018

  • 混合变量全局敏感性分析用于知识发现与高效组合材料设计

    本文介绍了一种基于 Latent Variable Gaussian Process 的混合变量全局敏感性分析方法，通过数值案例研究验证和证明了该方法的有效性，并将其与多目标贝叶斯优化集成，应用于金属有机骨架材料的敏感性感知设计框架，极大地加快了对新型金属有机骨架候选材料的探索。

    Oct, 2023

  • 基于高斯过程的全局敏感性分析的主动学习

    该论文探讨了将主动学习策略应用于自适应学习 Sobol 指数的全局敏感性分析，提出了一种基于主要效应解决高斯过程的学习策略，并比较了基于总方差的现有策略。实验证明，该策略在小维问题上收敛速度最快，但在大维问题上，性能与随机抽样相当。论文还以大规模边界层风洞实验的自适应实验设计为实例进行了演示。

    Aug, 2023