Bayesian Networks from the Point of View of Chain Graphs
Institute of Information Theory and Automation Academy of Sciences of Czech Republic（捷克科学院信息理论与自动化研究所）
本文给出了几个论据，赞成使用链图描述概率条件独立结构。每一个贝叶斯网络模型都可以通过一个关于链图的因子分解公式等价地引入，该链图与贝叶斯网络是马尔可夫等价的。给出了这类图的一个图形特征.这类等价图可以用一个称为最大链图的特殊图来表示。关于最大链图的因式分解公式是如何在计算机中表示相应（离散）概率分布（即参数化）的建议的基础。这种方法不依赖于从等价网络类中选择特定的贝叶斯网络，并且从内存需求的角度来看似乎是最有效的方法。给出了从链图中读取独立性语句的分离准则。它类似于众所周知的贝叶斯网络的d-分离准则，可以在本地实现。
2013-01-30 cs.AI
Beyond Conjugacy for Chain Event Graph Model Selection
链事件图是一系列概率图模型，概括了贝叶斯网络，并已成功应用于广泛的领域。与贝叶斯网络不同，这些模型可以编码特定于上下文的条件独立性以及过程演变中的不对称发展。最近，已经开发了属于链事件图家族的新模型类，用于对时间到事件数据进行建模，以研究过程的时间动态。然而，现有的模型选择算法链事件图及其变种依赖于所有的参数具有共轭先验。这对于许多现实世界的应用程序来说是不现实的。在本文中，我们提出了一个混合建模方法的模型选择链事件图，不依赖于共轭。此外，我们还表明，这种方法是更适合被强大的规模比现有的模型选择算法用于这个家庭。我们在模拟数据集上展示了我们的技术。
2022-11-07 stat.ME stat.ML
Incorporating Expressive Graphical Models in Variational Approximations: Chain-Graphs and Hidden Variables
School of Computer Science & Engineering, Hebrew University（希伯来大学计算机科学与工程学院）
图形模型中的全局变分近似方法允许通过使用更简单的模型来有效地近似推断复杂的后验分布。近似模型的选择决定了近似过程的复杂性和近似质量之间的权衡。在本文中，我们考虑变分近似的基础上，比标准的贝叶斯网络，马尔可夫网络或混合模型更丰富的两类模型。因此，这些类允许在近似谱中找到更好的折衷。第一类模型是链图，它捕获部分有向的分布。第二类模型是有向图（贝叶斯网络）与额外的潜在变量。这两个类都允许表示在贝叶斯网络中无法轻松表示的多变量依赖关系。
2013-01-10 cs.AI cs.LG
Generating Graphical Chain by Mutual Matching of Bayesian Network and Extracted Rules of Bayesian Network Using Genetic Algorithm
Isfahan University of Technology（伊斯法罕理工大学）
随着科学技术的发展，对有用信息的分析和提取的需求越来越大。贝叶斯网络包含来自数据和专家的知识，可以用于决策过程，但它们不容易理解，因此使用了规则提取方法，但它们具有较高的计算成本。为了克服这个问题，我们使用遗传算法从贝叶斯网络中提取规则。然后将提取的规则与贝叶斯网络进行相互匹配，生成图链。这个图形链可以显示导致目标的事件序列，这可以帮助决策过程。在小型网络上的实验结果表明，该方法具有可比的结果与暴力方法，具有显着更高的计算成本。
2014-12-15 cs.AI
On a hypergraph probabilistic graphical model
University of South Carolina（南卡罗来纳大学）
我们提出了一个有向无环超图框架的概率图形模型，我们称之为贝叶斯超图。有向无圈超图的空间比链图的空间大得多。因此，贝叶斯超图可以比贝叶斯网络或LWF链图更精细地建模因子分解，并为因子分解和干预提供更简单，计算效率更高的过程。贝叶斯超图还允许建模者以图形方式表示交互的因果模式，例如Noisy-OR（没有额外的注释）。本文介绍了贝叶斯超图的全局、局部和两两马尔可夫性质，并证明了它们在什么条件下是等价的。我们定义了一个投影算子，称为阴影，贝叶斯超图映射到链图，并表明贝叶斯超图的马尔可夫性质是等价的，其相应的链图。我们将LWF链图的因果解释扩展到贝叶斯超图，并提供了相应的公式和干预的图形标准。
2018-11-20 cs.AI cs.DS math.CO
Bayesian MAP Model Selection of Chain Event Graphs
链事件图模型类是离散贝叶斯网络类的推广，保留了贝叶斯网络在模型查询、传播和学习方面的大部分结构优势，同时更自然地对非对称状态空间和事件发生的顺序进行编码。在本文中，我们证明了如何与完全抽样，共轭封闭形式的模型选择的基础上的产品Dirichlet先验是可能的，并证明了适当的齐性假设的产品Dirichlet先验这类模型。我们使用两个教育的例子来展示我们的技术。
2009-04-06 stat.ME stat.ML
A Separation Theorem for Chain Event Graphs
University of Leeds（利兹大学）；University of Warwick（华威大学）
贝叶斯网络（BN）是一种流行的图形模型，用于表示包含多个变量之间依赖关系的统计问题。这种流行主要归功于Pearl和Lauritzen的d-分离定理，它允许分析师仅使用图的拓扑来识别问题模型所体现的条件独立性语句。然而，对于许多问题，完整的模型依赖结构不能用BN来描述。链事件图（Chain Event Graph，CEG）就是针对这类问题提出的。在本文中，我们介绍了CEG的分离定理，类似于BN的d-分离定理，这同样允许分析师从图的拓扑结构中识别其模型的条件独立结构。
2015-01-21 cs.AI stat.ME
Bayesian Diagnostics for Chain Event Graphs
链事件图已被建立为一个实用的贝叶斯图形工具。虽然已经为贝叶斯网络开发了定制诊断，但尚未为链事件图模型的统计类定义它们。模仿贝叶斯网络的先验诊断方法，本文针对这一新的类别设计了一些新的贝叶斯诊断方法。这些可以用来检查选定的模型（可能是类中最好的模型）是否捕捉到了观察过程的大部分显著特征。这些测试的目的是在收集人口数据时检查选定模型的持续有效性。以前在新西兰进行的一项儿童疾病研究说明了这些诊断的有效性。第二个关于激进化的例子是一个更有表现力的例子。
2019-10-10 stat.ME
Bayesian Inference for Latent Chain Graphs
在这篇文章中，我们考虑部分观察Anderson-Madigan-Perlman（AMP）高斯链图（CG）模型的贝叶斯推断。这种模型在生物网络和金融时间序列等应用中特别有意义。该模型本身具有各种约束，这使得先验建模和计算推理都具有挑战性。我们开发了一个框架，上述挑战，使用序贯蒙特卡罗（SMC）方法的统计推断。我们的方法说明了模拟数据以及从大学毕业率和药代动力学研究的真实案例研究。
2019-08-12 stat.ME
Bayesian Robust Learning in Chain Graph Models for Integrative Pharmacogenomics
对多水平药物基因组学数据进行综合分析，以建立各种生物学领域之间的依赖关系，对于开发基于基因组学检测的治疗方法至关重要。链图表征了这种多级数据的条件依赖结构，其中变量被自然地划分为多个有序层，由有向和无向边组成。现有的文献主要集中在高斯链图，这是不适合的非正态分布的重尾边缘，潜在地导致不准确的推断。我们提出了一个贝叶斯鲁棒链图模型（RCGM）的基础上随机变换的边缘使用高斯尺度的混合物来考虑节点级的非正态性连续的多变量数据。这种灵活的建模策略有助于识别非正常节点之间的条件符号依赖关系，同时仍然能够推断正常节点之间的条件依赖关系。在模拟中，我们证明了RCGM优于现有的高斯链图推理方法，从各种非正常机制产生的数据。我们将我们的方法应用于基因组，转录组和蛋白质组数据，以全面了解肺癌细胞系中药物反应和耐药性的潜在生物学过程。我们的分析揭示了关键信号通路对埃克替尼、厄洛替尼和奥希替尼等药物单药治疗的平台间和平台内依赖性，以及药物作用背后的分子机制的共享模式。
2021-11-22 stat.AP stat.ME
Learning AMP Chain Graphs under Faithfulness
Linköping University（林雪平大学）
本文讨论链图的另一种Anderson-Madigan-Perlman（AMP）解释。特别是，我们提出了一个基于约束的算法学习AMP链图给定的概率分布是忠实的。我们还表明，扩展米克的猜想AMP链图并不成立，这损害了发展的有效和正确的分数+搜索学习算法的假设弱于忠诚。
2012-04-24 cs.AI math.ST stat.ML
Faithfulness in Chain Graphs: The Gaussian Case
Linköping University（林雪平大学）
本文讨论了经典的Lauritzen-Werenstein-Frydenberg解释下的链图。我们证明了正则高斯分布的因式分解相对于链图$G$与$d$参数有积极的勒贝格措施关于$\mathbb{R}^d$，而那些因式分解相对于$G$，但不忠实于它有零勒贝格措施关于$\mathbb{R}^d$。这意味着，在所描述的测度论意义上，几乎所有关于$G$进行因式分解的正则高斯分布都忠实于它。
2010-08-13 cs.AI math.ST stat.ML
Marginal AMP Chain Graphs
Linköping University（林雪平大学）
我们提出了一个新的家庭的模型，是基于图形，可能有无向，有向和双向的边缘。我们将这些新的模型命名为边际AMP（MAMP）链图，因为它们中的每一个都是马尔可夫等价于一些AMP链图的边缘化的一些节点。然而，MAMP链图不仅是AMP链图，而且是多元回归链图。我们描述了全球和成对的马尔可夫性的MAMP链图，并证明了它们的等价性的组成图。我们还刻画了两个MAMP链图是马尔可夫等价的。对于高斯概率分布，我们还表明，每一个MAMP链图是马尔可夫等价于一些有向和无环图的确定性节点下边缘化和条件的一些节点。这一点很重要，因为它意味着由MAMP链图表示的独立性模型可以通过某些数据生成过程来解释，这些数据生成过程是部分观察到的，并且具有选择偏差。最后，我们修改MAMP链图，使它们在高斯概率分布的边缘化下是封闭的。这是一个理想的特性，因为它保证了边缘化下的节俭模型。
2014-11-07 cs.AI stat.ML
Marginalization and Conditioning for LWF Chain Graphs
本文利用LWF马尔可夫性研究了链图节点集的两个不相交子集的边缘化和条件化问题。为此，我们定义了一类链混合图（CMG）与三种类型的边缘，并为这个类，提供了一个分离标准下，一类CMG是稳定的边缘化和条件，并包含类的LWF CG作为其子类。我们提供了一种方法，用于生成这样的图形边缘化和条件后，为一个给定的CMG或给定的LWF CG。然后，我们定义和研究类的前图，这也是稳定的边缘化和条件，并包含LWF CG，但有一个简单的结构比CMG。
2016-08-28 math.ST stat.ML stat.OT
Inferring the Optimal Policy using Markov Chain Monte Carlo
University of California, Berkeley（加州大学伯克利分校）
本文研究了具有未知转移动态和未知报酬函数的马尔可夫决策过程的最优随机控制策略的估计方法。这种形式的无模型强化学习包括许多真实世界的系统，例如玩视频游戏，模拟控制任务和真实机器人运动。现有的方法估计的最优随机控制策略依赖于高方差估计的政策下降。然而，这些方法不能保证找到最优随机策略，并且高方差梯度估计使收敛不稳定。为了解决这些问题，我们提出了一种技术，使用马尔可夫链蒙特卡罗生成样本的后验分布的参数条件是最佳的。我们的方法可证明收敛到全局最优的随机策略，并与策略梯度相比具有经验相似的方差。
2019-11-16 cs.AI cs.LG stat.ML
Every LWF and AMP chain graph originates from a set of causal models
本文旨在通过证明LWF和AMP链图不代表任意独立模型来证明它们的合理性。具体地说，我们证明了每个链图是包含最优的wrt的一组有向和无环图条件下表示的独立模型的交集。这意味着由链图表示的独立性模型可以由一组受选择偏差影响的因果模型来解释，而这反过来又可以由在不同制度或配置之间切换的系统来解释。
2015-01-26 stat.ML
Identifiability of AMP chain graph models
研究了线性结构方程模型和高斯图模型的推广--Anderson-Madigan-Perlman（AMP）链图模型的可辨识性。AMP模型由链组件上的DAG描述，链组件本身是无向图。对于一个已知的链组件分解，我们表明，DAG的链组件是可识别的，如果链组件的残差协方差矩阵的行列式是单调非递减的拓扑顺序。这个条件推广了贝叶斯网的等方差可识别性准则，并且可以从行列式推广到半正定矩阵上的任意超可加函数。当组件的分解是未知的，我们描述的条件，允许使用多项式时间算法的基础上子模块化功能最小化的完整结构的恢复。我们还进行了实验，比较我们的算法的性能对现有的基线。
2021-06-17 cs.DS stat.ML
Graph Neural Networks for Supply Chain Management: A Framework and Real World Benchmark
Department of Industrial and Production Engineering, Shahjalal University of Science and Technology（肖哈尔·拉尔大学科学与技术学院工业与生产工程系）
本文提出将图神经网络应用于供应链分析，构建概念框架和真实世界基准数据集，实验表明GNN在回归、分类及异常检测任务上较传统机器学习与深度学习模型提升10-40%。
2026-10-27 cs.CE cs.LG stat.ML
stCEG: An R Package for Modelling Events over Spatial Areas Using Chain Event Graphs
stCEG是首个支持完全模型定制的R包，用于从数据构建链事件图模型，并提供交互式绘图和Web界面，通过伦敦凶杀案数据展示其功能。
2025-07-09 stat.CO stat.ML
