关键词structure learning algorithm
搜索结果 - 5
- 动态请求知识的因果发现
Causal Bayesian Networks 中的结构学习算法通过动态识别和请求不确定关系的知识,实现了较大的结构准确性提升,并提供更有效地利用人类专业知识的方法,促进结构学习过程的透明度。
- ICML时间序列结构发现的连续蒙特卡洛学习
该论文介绍了一种自动发现复杂时间序列数据准确模型的新方法,该方法通过贝叶斯非参数先验和符号空间上的高斯过程时间序列模型,以及蒙特卡洛方法和马尔可夫链蒙特卡洛方法的结合进行有效的后验推断。实证测量表明,相比以往的马尔可夫链蒙特卡洛方法和贪心搜 - 混淆变量下的因果发现
本研究提出一种名为 “混淆毯原则” 的结构假设,使得我们设计的因果关系推断算法能够适用于高维数据,同时保持多项式复杂度。我们演示了我们的方法在模拟和真实数据集上的运作,包括一个用于线性和非线性系统的推断过程和有限样本误差控制。
- IJCAI考虑可交换性的求和 - 乘积网络
该论文提出了一种新的概率模型,称为 Exchangeability-Aware Sum-Product Networks (XSPNs),它结合了 Sum-Product Networks 和 mixtures of exchangeabl - 定向信息图
提出了一个用于表示随机过程网络的图形模型 —— 最小生成模型图。该模型是基于时间上联合分布的简化因子化建立的,可以量化 Granger 因果性,并开发了高效的方法来从数据中估计拓扑结构。该算法已在 Twitter 网络的分析上得到了验证。