Local Equivalence Problem in Hidden Markov Model
本文利用隐马尔可夫过程的几何结构和生成元,将局部邻域内的转移矩阵等价问题转化为生成元等价问题,并给出多种自然情形下的具体参数化。
2019-05-08 math.ST stat.TH
On the equivalence between standard and sequentially ordered hidden Markov models
Chopin(2007)介绍了一个顺序排序的隐马尔可夫模型,其中状态根据它们的出现顺序排序,并声称这样的模型是标准马尔可夫模型的重新参数化。本文给出了一个正式的证明,这种等价性在贝叶斯术语中成立,因为这两种公式都产生等价的后验分布,但在频率论术语中不成立,因为这两种公式都产生不相容的似然函数。也许令人惊讶的是,这表明贝叶斯重新参数化和频率主义重新参数化不是相同的概念。
2012-01-30 math.ST stat.TH
Unifying Markov Properties for Graphical Models
几种具有不同条件独立性解释的图-也被称为马尔可夫性-已经被提出并用于图形模型。在本文中,我们统一这些马尔可夫性通过引入一类图的四种类型的边缘-线,箭头,弧,虚线-和一个单一的分离标准。我们表明,独立结构定义的这个类专门为以前定义的情况下,当适当的子类图被认为是。此外,我们定义了一个成对的马尔可夫性的子类链混合图,其中包括链图的LWF解释,以及摘要图(因此祖先图)。我们证明了这种成对的马尔可夫性的组合图独立模型的全局马尔可夫性的等价性。
2017-07-11 math.ST stat.OT stat.TH
Asymptotic equivalence for nonparametric regression with dependent errors: Gauss-Markov processes
对于Gauss-Markov过程类,本文研究了误差由过程增量给出的非参数回归模型与连续时间模型的渐近等价性问题,其中确定性信号与Gauss-马尔可夫过程之和的整条路径是可观测的.特别是,我们提供了充分条件,使两个模型的渐近等价的功能,从一个给定的类,我们验证这些特殊情况下的Sobolev椭球和Hölder类光滑指数$> 1/2$下温和的假设高斯-马尔可夫过程在手。为了得到这些结果,我们开发了一个明确的表征与高斯-马尔可夫过程的再生核希尔伯特空间,这取决于这样的过程的一个特性,相应的协方差核引入Doob。为了证明高斯-马尔可夫过程的假设在某种意义上是尖锐的,我们还证明了布朗桥的特殊情况下,渐近等价性不成立。我们的研究结果表明,众所周知的渐近等价性的高斯白噪声模型和非参数回归模型与i.i.d.标准正态误差可以推广到以统一的方式处理一般高斯-马尔可夫噪声的结果。
2021-10-24 math.ST stat.TH
Weak equivalence of local independence graphs
多元随机向量的经典图形建模使用图形来编码条件独立性。在多变量随机过程的图形建模中,图可以类似地编码所谓的局部独立性。如果多变量随机过程的某些坐标过程是不可观测的,则可观测的坐标过程的局部独立图是有向混合图(DMG)。两个DMG可以编码相同的局部独立性,在这种情况下,我们说它们是马尔可夫等价的。马尔可夫等价是图形建模中的一个核心概念。我们发现,决定马尔可夫等价的DMG是NP完全的,即使在稀疏性假设。作为一种补救措施,我们引入了一个集合的等价关系的DMG都是粒度小于马尔可夫等价,我们说,他们是弱等价关系。这导致可行的算法自然发生的计算问题有关的弱等价DMG。弱等价关系的等价类具有吸引性质。特别地,每个等价类具有导致等价类的简明表示的最大元素。此外,这些等价关系定义了图形建模中的粒度层次,这导致对应于不同粒度级别的等价关系之间的简单且可解释的连接。
2023-02-24 math.ST stat.TH
Distributional Invariances and Interventional Markov Equivalence for Mixed Graph Models
介入分布相对于观测分布的不变性,以及这些属性如何使我们能够细化DAG的马尔可夫等价类(MEC),是使用介入和观测数据的因果DAG发现算法的核心。在这里,我们展示了如何干预DAG模型的不变性,以及相应的改进MEC到干预MEC,可以推广到混合图形模型,允许潜在的共同创始人和选择变量。我们首先将介入马尔可夫等价推广到所有与无环混合图相关的形式独立模型。对于祖先的图形,我们证明了由此产生的干预MEC承认的图形特征概括的DAG。然后,我们定义了非循环有向混合图模型的介入分布,并证明了这种推广与形式独立模型的介入马尔可夫等价的图形推广相一致。这提供了一个框架,因果模型发现通过观察和干预数据的存在下,潜在的混杂因素,适用于即使干预是不受控制的。
2020-06-07 math.CO math.ST stat.TH
On the number and size of Markov equivalence classes of random directed acyclic graphs
本文研究了均匀随机有向无环图的 Markov 等价类,利用塔分解证明了等价类与图的比值趋于正常数,且典型等价类大小有界并具有超多项式尾部。
2024-09-28 math.CO math.PR math.ST
Characterization and Greedy Learning of Interventional Markov Equivalence Classes of Directed Acyclic Graphs
有向无环图(DAG)编码相同的马尔可夫性,即相同的条件独立关系的多变量观测分布的调查,有着悠久的传统,存在许多算法的模型选择和结构学习的马尔可夫等价类。在本文中,我们扩展了马尔可夫等价的DAG的概念的情况下,所产生的多个干预实验的干预分布。我们发现,在合理的假设下,干预实验,干预马尔可夫等价定义了一个更精细的划分的DAG比观察马尔可夫等价,从而提高了因果模型的可识别性。我们给出了一个图论标准的两个DAG是马尔可夫等价的干预下,并表明,每个干预马尔可夫等价类可以,类似于观察的情况下,唯一表示的链图称为干预本质图(也称为CPDAG在观察的情况下)。这些是用于从介入数据中获得结构学习的贪婪等价搜索算法的推广的关键见解。这种新的算法进行了评估,在模拟研究。
2012-09-26 cs.DM math.ST stat.ME
Faster algorithms for Markov equivalence
最大祖先图(MAG)有许多理想的性质,特别是他们可以充分描述条件独立的有向无圈图(DAG)的潜变量和选择变量的存在。然而,不同的MAG可以编码相同的条件独立性,并且被称为\emph{Markov equivalent}。因此,确定等价的充要条件是结构学习的基本条件。这已经存在的几个标准,但在本文中,我们给出了一个新的非参数表征的头部和尾部出现在参数化的离散模型。我们还提供了一个多项式时间算法($O(ne^{2})$,其中$n$和$e$分别是顶点和边的数量)来验证等价性。此外,我们扩展我们的标准ADMG和摘要图,并提出了一个算法,转换ADMG或摘要图到一个等价的MAG在多项式时间($O(n^{2}e)$)。因此,通过结合这两种算法,我们也可以验证两个汇总图或ADMG之间的等价性。
2020-07-05 math.CO math.ST stat.CO
Markov properties for mixed graphs
本文通过引入无环混合图类,统一了用于图马尔可夫模型的各种不同类型图的马尔可夫理论,并证明了在这类图上由$m$ -分离导出的所有独立模型都是合成图胚.我们特别关注无带图的子类,作为特殊情况,包括无向图,双向图,有向无环图,以及祖先图和摘要图。我们定义了这类图的极大性以及一个两两和一个全局马尔可夫性。我们证明了一个极大无带图的全局和两两马尔可夫性对于任何独立的组合图面模型都是等价的。
2014-03-12 math.ST stat.ML stat.OT
Necessary and sufficient conditions for consistent root reconstruction in Markov models on trees
在有限高树上建立了具有可数状态空间的连续时间马尔可夫模型的一致根重构的充要条件。这里,如果根状态估计器返回到真实根状态的概率随着叶的数量趋于无穷而收敛于1,则称该根状态估计器是一致的。我们还得到定量的边界上的重建误差。我们的研究结果回答了Gascuel和Steel的一个问题,并对核苷酸插入和缺失的经典进化模型中的祖先序列重建产生了影响。
2019-08-01 cs.IT math.IT math.PR
Lower Bounds on the Size of Markov Equivalence Classes
Engineering and Applied Science(工程与应用科学);California Institute of Technology(加州理工学院)
本文研究因果发现中Markov等价类的可辨识性极限,证明放宽无环性、因果充分性或均匀先验后,三类随机图的等价类期望大小具有指数级下界。
2025-07-25 cs.LG math.ST stat.ML
Jointly interventional and observational data: estimation of interventional Markov equivalence classes of directed acyclic graphs
在许多应用程序中,我们有观察和(随机)干预数据。我们提出了一个高斯似然框架联合建模的不同的数据类型,基于全球参数组成的有向无圈图(DAG)和相应的边缘权重和误差方差。由于参数的全局性质,极大似然估计是合理的,每个干预只有一个或几个数据点。我们证明了BIC标准的一致性,用于估计干预性的马尔可夫等价类的DAG,这是小于的观测模拟,由于增加部分可识别性的干预数据。这种改进的可识别性直接影响到更严格的界限推断因果关系的影响。除了方法和理论推导,我们提出了实证结果,从真实和模拟数据。
2013-03-13 math.ST stat.ME stat.TH
Markov equivalence of marginalized local independence graphs
对称独立关系通常使用图形表示来研究。具有$m$ -分离的祖先图或无环有向混合图提供了一类在边缘化下封闭的对称图独立模型。非对称的独立关系自然出现在多变量随机过程中,例如在局部独立性方面。然而,没有一类图表示这种不对称的独立关系,这也是封闭的边缘化,已被开发。我们开发的理论与$μ$ -分离的有向混合图,并表明,这提供了一个图形独立的模型类,这是封闭的边缘化,并概括了以前考虑的图形表示的地方独立。对于统计应用,它是关键的特征图,诱导相同的独立关系,如图的马尔可夫等价类是最终可从观测数据识别的对象。我们的主要结果是,有向混合图的$μ$ -分离的每个马尔可夫等价类包含一个极大元,它可以构造的独立关系单独。此外,我们引入了有向混合等价图作为带边标记的极大图。该图编码了所有可从独立关系中识别的关于边的信息,并且可以从最大图中有效地计算。
2019-02-11 math.ST stat.OT stat.TH
Markov Equivalence of Max-Linear Bayesian Networks
最大线性贝叶斯网络已经成为高度适用的模型,因果推理通过极值数据。然而,条件独立性(CI)的最大线性贝叶斯网络的行为不同于经典的高斯贝叶斯网络。我们通过热带化建立了两种理论之间的平行关系,并建立了令人惊讶的结果,即最大线性贝叶斯网络的马尔可夫等价类与常规CI所获得的等价类相一致。我们的论文在极值统计、因果推理和热带几何的交叉点上提出了许多问题。
2021-06-15 math.AG math.CO math.ST
Minimal enumeration of all possible total effects in a Markov equivalence class
在观察性研究中,当未确定感兴趣的总因果效应时,可以报告所有可能效应的集合。这通常发生在基础因果DAG仅已知到马尔可夫等价类或由于背景知识而对其进行细化时。因此,可能的因果DAG类由最大定向部分有向无圈图(MPDAG)表示,该图包含有向边和无向边。我们的特点是需要确定一个给定的总效果的最小额外的边缘方向。递归算法,然后开发枚举DAG的子类,这样,在每个子类中的总效果被确定为一个不同的功能所观察到的分布。这解决了现有方法的一个问题,这些方法经常报告可能的重复总效应,即由于采样变异性而在数字上不同但实际上因果关系相同的效应。
2021-03-03 math.ST stat.ME stat.TH
Causal Identification under Markov Equivalence
Purdue University(普渡大学);Lingnan University(岭南大学)
评估因果关系的大小是整个实证科学的核心挑战之一。因果效应的识别问题涉及到确定因果效应是否可以从观测数据和有关被调查领域的实质性知识的组合中计算出来,这些知识以因果图的形式正式表示。然而,在许多实际环境中,研究人员所掌握的知识并不足以确定一个唯一的因果图。另一种研究尝试使用观测数据来学习称为马尔可夫等价类的域的定性描述,马尔可夫等价类是共享同一组观测特征的因果图的集合。在本文中,我们结合这两种方法和研究的问题,从一个等价类的因果关系识别,表示为一个部分祖先图(PAG)。我们首先推导出一组图形属性的PAG进行到其诱导子图。然后,我们开发了一个算法来计算任意一组变量对任意结果集的影响。我们表明,该算法是严格的更强大的比在文献中发现的最先进的当前状态。
2018-12-15 cs.AI math.ST stat.TH
Equivalence classes and local asymptotic normality in system identification for quantum Markov chains
本文研究了遍历量子马尔可夫链的动力学参数的识别和估计问题,当只有平稳输出可测量时。关于可识别性问题,我们表明,知识的输出状态完全固定的动态到一个“坐标变换”组成的乘法由一个阶段和一个单一的共轭的克劳斯运营商。当动态依赖于一个未知的参数,我们表明,后者可以估计在“标准”率$n^{-1/2}$,并给出一个明确的表达(渐近)量子费舍尔信息的输出,这是成比例的马尔可夫方差的某个“发电机”。更一般地说,我们表明,输出是局部渐近正常的,即它可以近似由一个简单的量子高斯模型组成的相干态,其平均值与未知参数。作为一致性检查,我们证明了一个参数有关的“坐标变换”幺正,有零量子费舍尔信息。
2014-02-14 math.ST quant-ph stat.TH
Markov Equivalence and Consistency in Differentiable Structure Learning
Booth School of Business, The University of Chicago(芝加哥大学布斯商学院);Machine Learning Department, Carnegie Mellon University(卡内基梅隆大学机器学习系)
针对现有DAG可微结构学习依赖强可识别性假设及优化器易利用损失伪影的问题,通过正则化似然识别马尔可夫等价类中最稀疏模型,推广至一般模型并经实验验证,为通用场景下的可微结构学习提供理论与方法支持。
2024-11-27 cs.LG math.ST stat.ME
Efficient Bayesian network structure learning via local Markov boundary search
University of Chicago(芝加哥大学)
我们分析了在没有特定分布假设的情况下,从一般环境中的观测数据学习有向无环图模型的复杂性。我们的方法是信息理论,并使用本地马尔可夫边界搜索过程,以递归地构建祖先集的基础图形模型。也许令人惊讶的是,我们表明,对于某些图形集成,一个简单的前向贪婪搜索算法(即没有向后修剪阶段)足以学习每个节点的马尔可夫边界。这大大提高了样本的复杂性,我们表明,在最多的多项式的节点数。然后,这是适用于学习整个图下一个新的可识别性条件,概括现有的条件从文献中。作为一个独立的兴趣,我们建立有限样本保证的问题,从数据中恢复马尔可夫边界。此外,我们将我们的结果的特殊情况下,多项式树,简化的假设,并提供明确的条件下,多项式树是可识别的和可学习的多项式时间。我们进一步说明了该算法的性能,这是很容易实现的,在模拟研究。我们的方法是通用的,适用于离散或连续分布没有分布的假设,并因此揭示了最小的假设,需要有效地学习结构的有向图形模型从数据。
2021-11-21 cs.AI cs.LG math.ST
Pairwise Markov properties for regression graphs
利用一系列回归,可以生成联合概率分布。一个从可能具有浓度图结构的上下文变量的联合边缘分布开始,并继续以有序序列的条件分布,称为联合响应中的回归。所涉及的随机变量可以是离散的、连续的或两种类型。这样的生成过程为每个响应指定仅包含其回归变量的条件集,并且它导致对应回归图中的所有节点的至少一个有效排序,该回归图具有三种类型的边;一种用于上下文变量之间的无向依赖,另一种用于联合响应之间的无向依赖,以及一种用于响应对回归变量的任何有向依赖。对于这个回归图,有几个成对马尔可夫性的定义,其中每个定义都以不同的方式解释与图中缺失边相关联的条件独立性。我们解释了这些属性是如何产生的,证明了它们的等价组成图面和点的等价性,他们中的每一个的全球马尔可夫性。
2017-02-02 math.ST stat.OT stat.TH
A Direct Route to Markov Chain Convergence via Asymptotic Equivalence with the Target
University of Amsterdam(阿姆斯特丹大学)
本文提出一种新的马尔可夫链收敛直接准则,通过渐近等价性证明收敛,适用于一般可测空间,涵盖Metropolis--Hastings等算法,无需不可约性等传统条件。
2026-08-17 cs.LG math.PR math.ST