A Channel-based Exact Inference Algorithm for Bayesian Networks
Radboud University Nijmegen(奈梅亨拉德堡德大学)
本文介绍了一种新的算法,精确贝叶斯推理的基础上,最近提出的组合语义的贝叶斯网络的渠道。本文集中在这个算法背后的想法,涉及线性化(“拉伸”)的贝叶斯网络,其次是一个组合的前向状态变换和后向谓词变换,而证据是积累的道路上。在Python中的算法的原型实现的性能进行了简要的比较,一个标准的实现(pgmb):第一个结果显示竞争力的性能。
2018-04-21 cs.AI
Improved Sampling for Diagnostic Reasoning in Bayesian Networks
RMIT(皇家墨尔本理工大学)
贝叶斯网络在自动化大规模诊断推理任务中提供了巨大的潜力。吉布斯抽样是在大型的、高度互联的贝叶斯网络中进行诊断推理的主要技术。不幸的是,吉布斯采样可能需要过多的时间来生成代表性样本。在本文中,我们描述并测试了一些启发式策略,以提高采样噪声或贝叶斯网络。这些策略包括蒙特卡洛马尔可夫链抽样技术以外的吉布斯抽样。重点放在可以在分布式系统中实现的策略。
2013-02-20 cs.AI
Learning Bayesian Networks: A Unification for Discrete and Gaussian Domains
我们研究贝叶斯方法学习贝叶斯网络的先验知识和统计数据的组合。特别是,我们统一的方法,我们在去年的会议上提出的离散和高斯域。我们推导出一个一般的贝叶斯评分指标,适用于这两个领域。然后,我们使用这个度量结合著名的统计事实的Dirichlet和正常的Wishart分布,以获得我们的度量离散和高斯域。
2021-06-29 cs.AI
Representing Bayesian Networks within Probabilistic Horn Abduction
University of British Columbia(不列颠哥伦比亚大学)
本文提出了一个简单的框架Horn子句溯因,概率与假设。它示出了这种表示可以表示在贝叶斯信念网络中的任何概率知识。主要的贡献是在寻找证据推理的逻辑和概率概念之间的关系。这可以用作实现贝叶斯网络的新方法的基础,该方法允许对后验概率的值进行近似,并且还指出了贝叶斯网络可以扩展到命题语言之外的方式。
2013-03-20 cs.AI
Strong Completeness and Faithfulness in Bayesian Networks
Carnegie Mellon University(卡内基梅隆大学)
给出了离散贝叶斯网络的d-分离的一个完备性结果,并证明了在强测度论意义下,对于给定的网络结构,几乎所有的离散分布都是忠实的,即分布的独立性事实都是且仅是网络结构所包含的.
2013-02-20 cs.AI
Reliable Uncertain Evidence Modeling in Bayesian Networks by Credal Networks
Sapienza University of Rome(罗马第一大学);IDSIA(意大利瑞士人工智能研究所)
提出了一种基于集值量化的贝叶斯网络不确定证据可靠建模方法。软证据和虚拟证据都被考虑。我们表明,在这种设置中的证据传播可以减少到标准的更新在一个增强的信用网络,相当于一组一致的贝叶斯网络。这个任务的计算复杂性的一个表征是来自与一个有效的确切的程序的一个子类的实例。在同一个变量的多个不确定证据的情况下,所提出的程序可以提供一个集值版本的几何方法的意见池。
2018-02-15 cs.AI
Conditional Plausibility Measures and Bayesian Networks
定义了代数条件可拓测度的一般概念。概率测度、排序函数、可能性测度和(在适当的定义下)概率测度集都可以被看作是定义代数条件可测性测度。结果表明,代数条件可扩展性措施可以表示使用贝叶斯网络。
2011-06-15 cs.AI
Irrelevance and Independence Relations in Quasi-Bayesian Networks
University of Sao Paulo(圣保罗大学);Carnegie Mellon University(卡内基梅隆大学)
本文分析了与概率分布凸集相关的图模型(称为拟贝叶斯网络)中的无关性和独立性关系。在准贝叶斯网络中的基本问题是,如何在准贝叶斯网络中的无关/独立关系被检测,加强和利用?本文通过瓦利对无关性和独立性的定义来解决这些问题。新的算法和结果的推理与所谓的自然扩展,使用分式线性规划,所谓的1型扩展的性质是明确的,通过一个新的推广的d-分离。
2013-01-30 cs.AI
Cutset Sampling for Bayesian Networks
本文提出了一种新的抽样方法,贝叶斯网络的样本只有一个子集的变量,并适用于精确推理的休息。割集抽样是Rao-Blackwellisation原理在贝叶斯网络抽样中的网络结构开发应用。它通过利用基于内存的推理算法来提高收敛性。它也可以被看作是一个随时近似的精确割集条件算法开发的珍珠。割集抽样可以有效地实现时,采样变量构成的贝叶斯网络的环割集,更一般地说,当网络图的诱导宽度的条件下观察到的采样变量是有界的常数w。我们实证证明了该计划的好处在一系列的基准。
2011-10-12 cs.AI
Clinical Reasoning over Tabular Data and Text with Bayesian Networks
Ghent University(根特大学)
本文探讨了将神经文本表示以生成式和判别式方式融入贝叶斯网络,以增强其对自然语言数据的临床推理能力,并通过肺炎诊断模拟验证了该策略。
2024-05-23 cs.AI
Implementation of Continuous Bayesian Networks Using Sums of Weighted Gaussians
Telecommunications Research Center(电信研究中心);Arizona State University(亚利桑那州立大学);Department of Electrical Engineering(电气工程系)
贝叶斯网络提供了一种表示随机变量之间的条件独立性并计算与这些随机变量相关联的概率分布的方法。在本文中,我们扩展贝叶斯网络结构计算连续随机变量的概率密度函数。我们使这种扩展近似先验和条件密度加权高斯分布的总和,然后找到传播规则更新的密度在这些权重。我们提出了一个简单的例子,说明了连续变量的贝叶斯网络;这个例子显示了网络结构和近似误差对网络中变量密度计算的影响。
2013-02-20 cs.AI
Constrained Bayesian Networks: Theory, Optimization, and Applications
Imperial College London(伦敦帝国学院)
我们开发的理论和实践的方法来建模和概率推理的因果网络,适用于特定于应用程序或特定于分析的约束应告知这样的推理,或当很少或没有数据的因果网络结构或概率值的学习节点是可用的。约束贝叶斯网络将贝叶斯网络进行了推广,使得概率可以是符号的算术表达式,并且网络的含义受到来自实数理论的许多公式的约束。给出了实数一阶逻辑上的约束贝叶斯网络的形式语义,使得依赖于该逻辑的决策过程的非线性和非凸优化算法成为可能,并支持多个约束贝叶斯网络的组合.一项关于军备控制的重要案例研究对我们的方法进行了评价,在该研究中,可用来评估武器视察进程效力的数据很少或根本没有。这些基础及其算法的开放访问原型实现使用SMT求解器Z3作为决策过程,利用贝叶斯推理的开源包进行符号计算,并进行了实验评估。
2017-05-15 cs.AI
Efficient Enumeration of Instantiations in Bayesian Networks
Microsoft Corporation(微软公司);Recom Technologies(Recom技术公司);NASA Ames Research Center(NASA艾姆斯研究中心)
在过去的几年中,贝叶斯网络已经被应用于各种各样的问题。应用贝叶斯网络的一个中心问题是找到一个或多个最可能的网络实例。在本文中,我们开发了一个有效的算法,递增枚举的实例贝叶斯网络的概率降序。这种枚举算法可应用于从医学专家系统到基于模型的诊断的各种应用中。从根本上说,我们的算法只是对网络的所有实例化的排序列表执行惰性枚举。这种见解导致了一个非常简洁的算法语句,既容易理解和实现。我们表明,对于单连接的网络,我们的算法生成的下一个实例化的时间多项式的网络的大小。该算法扩展到任意贝叶斯网络使用标准的条件技术。我们经验评估的枚举算法,并证明其实用性。
2013-02-13 cs.AI
Visualizing the Consequences of Evidence in Bayesian Networks
University of California, San Diego(加利福尼亚大学圣迭戈分校)
本文讨论了随着贝叶斯网络的结构规模和复杂性的增长,查看和导航贝叶斯网络的挑战。从回顾贝叶斯网络可视化的艺术状态开始,这是一个很大程度上被忽略的领域,我们从三个方面改进了现有的可视化。首先,我们应用一个有纪律的方法,贝叶斯网络的基本元素的图形设计。其次,我们提出了一种技术,直接,直观的比较后验分布产生的替代证据集。第三,我们利用信息论中的中心数学工具,帮助用户在网络中找到感兴趣的变量,并在不重要的地方降低视觉复杂性。我们提出了我们的方法适用于两个适度的大型贝叶斯网络构建从现实世界的数据集。结果表明,新技术可以是一个有用的工具,发现信息流现象,也为定性比较不同的证据配置,特别是在大型概率网络。
2017-07-04 cs.AI
Conditional Plausibility Measures and Bayesian Networks
Cornell University(康奈尔大学)
定义了代数条件可拓测度的一般概念。概率测度、排序函数、可能性测度和(在适当的定义下)概率测度集都可以被看作是定义代数条件可测性测度。结果表明,贝叶斯网络技术可以应用于代数条件可达性测度。
2014-07-27 cs.AI
Uncertainty Reasoning for Probabilistic Petri Nets via Bayesian Networks
University of Duisburg-Essen(杜伊斯堡-埃森大学);University of Leicester(莱斯特大学)
本文利用扩展贝叶斯网络的不确定性推理Petri网,发射的过渡是概率。特别地,贝叶斯网络被用作概率分布的符号表示,对观察者关于网络中令牌的知识进行建模。观察者可以通过监测成功和失败的步骤来研究网络。贝叶斯网的更新机制是通过放松一些限制,导致模块化贝叶斯网,可以方便地表示和修改。对于每一个符号表示,问题是如何从模块化贝叶斯网络中获得信息-在这种情况下是边际概率分布。我们展示了如何做到这一点,通过推广已知的变量消除方法。以疾病传播(SIR模型)和社交网络中的信息扩散为例,说明了该方法的有效性。我们已经实现了我们的方法,并提供了运行时的结果。
2020-09-30 cs.AI
A Global Transport Capacity Risk Prediction Method for Rail Transit Based on Gaussian Bayesian Network
Tsinghua University(清华大学)
针对轨道交通承载能力与客流需求不匹配的运输能力风险预测问题,提出一种基于线性高斯贝叶斯网络的可解释预测方法,利用三层结构仿真模型获取数据并结合MLE进行参数学习,仿真验证了其有效性。
2023-08-03 cs.AI
What is understandable in Bayesian network explanations?
Open University of the Netherlands(荷兰开放大学);Osaka University(大阪大学);Radboud University(拉德堡德大学)
例如,向医生解释贝叶斯网络的预测是不平凡的。贝叶斯网络推理的各种解释方法出现在文献中,侧重于底层推理的不同方面。虽然有很多技术研究,但人们对人类实际上如何理解这些解释知之甚少。在本文中,我们提出了正在进行的研究,其中四种不同的解释方法进行了比较,通过调查,要求一组人类参与者解释的解释。
2021-10-04 cs.AI
Computational Investigation of Low-Discrepancy Sequences in Simulation Algorithms for Bayesian Networks
University of Pittsburgh(匹兹堡大学)
蒙特卡罗抽样已经成为贝叶斯网络中近似推理的主要工具。在本文中,我们研究了一系列相关的模拟方法,统称为准蒙特卡罗方法的基础上确定性低差异序列。我们首先概述了确定性低差异序列的几个理论方面,显示了三个这样的序列的例子,然后讨论将它们应用到贝叶斯网络的信念更新相关的实际问题。提出了一种Sobol序列方向数的选取算法。我们的实验结果表明,低差异序列(特别是Sobol序列)显着提高性能的模拟算法在贝叶斯网络相比,蒙特卡罗抽样。
2013-01-16 cs.AI
Certain Bayesian Network based on Fuzzy knowledge Bases
Research Group on Intelligent Machines(智能机器研究组);National School of Engineers(国家工程师学校)
在本文中,我们试图检查之间的权衡模糊逻辑和某些贝叶斯网络,我们提出了结合各自的优势到模糊确定贝叶斯网络(FCBN),模糊随机变量的确定贝叶斯网络。本文论述了不确定性的不同定义和分类、不确定性的来源以及处理不确定性的理论和方法。将明确的确定性程度模糊化为模糊变量,提高了网络的质量,并往往带来网络性能的平滑性和鲁棒性。其目的是提供一种新的方法,结合三种方法:贝叶斯网络,确定性分布和模糊逻辑的不确定性下的决策。在本文提出的框架内,我们解决的问题,扩展某些网络的模糊某些网络,以应付现有模型的不精确和不确定的知识下的决策的复杂性和局限性。
2012-06-05 cs.AI
A Transformational Characterization of Equivalent Bayesian Network Structures
University of California at Los Angeles(加州大学洛杉矶分校)
我们提出了一个简单的等价贝叶斯网络结构的局部变换的基础上的表征。这一定性的意义是双重的。首先,我们能够很容易地证明几个新的不变性质的理论兴趣的等价结构。其次,我们使用的特征,以获得一个有效的算法,确定所有的强迫边缘的结构。强迫边缘识别对于从数据中学习贝叶斯网络结构特别重要,因为当某些假设成立时,这些边缘指示因果关系。
2013-02-20 cs.AI
EDML: A Method for Learning Parameters in Bayesian Networks
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
提出了一种在不完全数据下学习二进制贝叶斯网络MAP参数的方法EDML。该方法假设Beta先验,并且可以用于在先验信息不充分时学习最大似然参数。EDML表现出有趣的行为,特别是与EM相比。我们介绍EDML,解释它的起源,并研究它的一些属性分析和经验。
2012-02-14 cs.AI
Real Time Estimation of Bayesian Networks
Gensym Corporation(Gensym公司)
对于实时的贝叶斯网络评估,当没有足够的时间来获得精确解时,需要保证响应时间的近似解。结果表明,非传统的方法,利用估计的基础上存档的试验解决方案和遗传搜索可以提供一个近似的解决方案,是相当优于传统的蒙特卡洛模拟方法。
2013-02-13 cs.AI
A New Characterization of Probabilities in Bayesian Networks
University of Rochester(罗切斯特大学)
我们在贝叶斯网络中的概率的代数表达式称为准概率。这些是通过将贝叶斯网络转换为噪声AND-OR-NOT网络,并将导致节点的子网络视为支持或反对节点的参数来实现的。准概率在某种意义上是贝叶斯网络的"自然"代数:我们可以很容易地以紧凑的形式递归计算任何节点的边际准概率;我们可以通过乘以它们的边际(使用幂等积算子)来获得任何节点集合的联合准概率。准概率易于操作,以提高概率推理的效率。它们也可以表示为方波脉冲序列,联合和边缘分布可以通过脉冲序列的乘法和互补来计算。
2012-07-11 cs.AI
Backward Simulation in Bayesian Networks
Institute for Decision Systems Research(决策系统研究所)
反向模拟是贝叶斯信念网络的一种近似推理技术。它与现有的模拟方法的不同之处在于,它从已知的证据开始模拟并向后工作(即,与弧的方向相反)。该技术对证据的关注导致在后验信念由证据而不是先验概率主导的情况下改进收敛。由于这类情况是大的,该技术可以使实际的应用中的近似推理贝叶斯信念网络的许多现实世界的问题。
2013-02-27 cs.AI
Bayesian Neural Networks: Essentials
IBM(国际商业机器公司)
贝叶斯神经网络利用概率层来捕获权重和激活的不确定性,并使用贝叶斯推理进行训练。由于这些概率层被设计成其确定性对应部分的直接替代,贝叶斯神经网络提供了一种直接和自然的方式来扩展传统的深度神经网络以支持概率深度学习。然而,由于贝叶斯神经网络的复杂性,理解、设计和训练贝叶斯神经网络是非常重要的。我们讨论了贝叶斯神经网络的本质,包括对偶(深度神经网络,概率模型),近似贝叶斯推理,贝叶斯先验,贝叶斯后验和深度变分学习。我们使用TensorFlow Probability API和代码示例进行说明。贝叶斯神经网络的主要问题是,深度神经网络的架构使得考虑大量连续层的不确定性变得非常冗余和昂贵。混合贝叶斯神经网络,它使用很少的概率层,公正地定位在网络中,提供了一个实用的解决方案。
2021-06-22 cs.AI cs.LG
Probabilistic Inferences in Bayesian Networks
Interdisciplinary Center for Security, Reliability and Trust(安全、可靠性与信任跨学科中心);University of Luxembourg(卢森堡大学)
贝叶斯网络是一个关于变量及其关系的完整模型,它可以用来回答关于它们的概率查询。因此,贝叶斯网络可以被认为是一种自动将贝叶斯定理应用于复杂问题的机制。在贝叶斯网络的应用中,大部分的工作都与概率推理有关。贝叶斯网络中任何一个节点的变量更新都可能导致证据在贝叶斯网络中的传播。总结了贝叶斯网络中的各种推理技术,为贝叶斯网络概率推理的算法计算提供了指导。
2010-11-05 cs.AI cs.NI
The Computational Power of Dynamic Bayesian Networks
University of Maryland(马里兰大学)
本文研究了定长动态贝叶斯网络的计算能力。虽然离散动态贝叶斯网络并不比隐马尔可夫模型更强大,但具有连续随机变量和连续父节点的离散子节点的动态贝叶斯网络能够执行图灵完备计算。利用现有的用于置信度传播的算法的修改版本,可以实时的进行这样的模拟。这一结果表明,动态贝叶斯网络可能比以前认为的更强大。因果模型和递归神经网络的关系也进行了讨论。
2016-03-19 cs.AI stat.ML
Learning Discrete Bayesian Networks from Continuous Data
Stanford University(斯坦福大学)
从原始数据中学习贝叶斯网络可以帮助深入了解变量之间的关系。虽然真实数据通常包含离散和连续值变量的混合,但许多贝叶斯网络结构学习算法假设所有随机变量都是离散的。因此,在学习贝叶斯网络时,连续变量经常被离散化。然而,离散化策略的选择对所得到的模型的准确性、速度和可解释性具有显著影响。针对贝叶斯网络中连续变量的离散化问题,提出了一种基于贝叶斯离散化原理的离散化方法,该方法具有二次复杂度,而不是其他标准方法中的三次复杂度。实验结果表明,该方法优于已有的最小描述长度算法。此外,本文还展示了如何将现有的方法融入到结构学习过程中,以离散化所有连续变量,同时学习贝叶斯网络结构。
2018-09-18 cs.AI cs.LG
Bayesian Model Averaging Using the k-best Bayesian Network Structures
Iowa State University(爱荷华州立大学)
我们研究了从数据中学习贝叶斯网络结构的问题。我们开发了一个算法来寻找k-最好的贝叶斯网络结构。我们建议通过贝叶斯模型在k-best贝叶斯网络上平均来计算感兴趣的假设的后验概率。我们提出的实证结果结构发现几个真实的和合成数据集,并表明该方法优于模型选择方法和最先进的MCMC方法。
2012-03-15 cs.AI cs.LG stat.ML
Inference in Graded Bayesian Networks
Hamburg University of Technology(汉堡工业大学)
机器学习提供了可以从数据中学习并对数据进行推断或预测的算法。贝叶斯网络是一类图形模型,它允许通过有向无环图来表示随机变量的集合及其条件依赖关系。本文利用观测变量边际分布的热带化,给出了贝叶斯网络隐随机变量的一种推断算法。通过限制分级网络的拓扑结构,将建立分级贝叶斯网络的推理算法,该算法逐级评估隐随机变量,并以这种方式产生隐变量的最可能状态。该算法可以看作是分级贝叶斯网络的Viterbi算法的推广版本。
2018-12-23 cs.AI stat.ML
On the Relative Expressiveness of Bayesian and Neural Networks
University of California, Los Angeles(加州大学洛杉矶分校);Zhejiang University(浙江大学)
神经网络计算函数。神经网络的一个核心特性是它们是“通用逼近器“:对于给定的连续函数,存在一个神经网络,它可以任意地逼近它,只要有足够的神经元(和一些额外的假设)。相比之下,贝叶斯网络是一个模型,但它的每个查询都可以被视为计算一个函数。在本文中,我们确定了由神经网络计算的函数和由边缘贝叶斯网络查询计算的函数之间的一些关键区别,表明前者比后者更具表达力。此外,我们提出了一个简单的增强贝叶斯网络(一个测试运营商),这使得他们的边缘查询成为“通用近似。"
2018-12-21 cs.AI cs.LG
Learning Bayesian Networks with Incomplete Data by Augmentation
University of Amsterdam(阿姆斯特丹大学)
我们提出了新的算法,学习贝叶斯网络的缺失值的数据,使用数据增强的方法。通过将该问题转化为一个无数据缺失的标准贝叶斯网络学习问题,得到了一个精确的贝叶斯网络学习算法。据我们所知,这是这个问题的第一个精确算法。正如预期的那样,精确算法不能扩展到大的域。我们建立在精确的方法,使用爬山技术创建一个近似算法。该算法可扩展到大的域,只要一个合适的标准结构学习方法的完整的数据是可用的。我们进行了广泛的实验,以证明学习贝叶斯网络的好处,这种新的方法。
2016-10-09 cs.AI stat.ML
A Bayesian Approach to Learning Bayesian Networks with Local Structure
Microsoft Research(微软研究院)
最近,一些研究人员研究了使用数据来学习贝叶斯网络的技术,该网络包含存储在每个节点处的条件概率分布(CPD)的紧凑表示。这项工作的大部分集中在使用决策树表示的CPD。此外,研究人员通常应用非贝叶斯(或渐近贝叶斯)评分函数(如MDL)来评估网络对数据的拟合优度。在本文中,我们研究了贝叶斯方法来学习贝叶斯网络,包含更一般的决策图表示的CPD。首先,我们描述了如何评估后验概率,也就是这样一个网络的贝叶斯得分,给定一个数据库的观察情况。其次,我们描述了各种搜索空间,可以使用,结合评分函数和搜索过程,以确定一个或多个高分网络。最后,我们提出了一个实验评估的搜索空间,使用贪心算法和贝叶斯评分函数。
2015-05-16 cs.AI cs.LG stat.ML
The Relevance of Bayesian Layer Positioning to Model Uncertainty in Deep Bayesian Active Learning
Stanford University(斯坦福大学);NVIDIA(英伟达)
深度学习工具的主要挑战之一是它们无法捕捉模型的不确定性。虽然贝叶斯深度学习可以用来解决这个问题,但贝叶斯神经网络通常需要比确定性网络更多的时间和计算能力来进行训练。我们的工作探讨是否需要完全贝叶斯网络来成功地捕捉模型的不确定性。我们改变贝叶斯层在网络中的数量和位置,并将它们在主动学习上的性能与MNIST数据集进行比较。我们发现,我们可以充分捕捉模型的不确定性,只需使用几个贝叶斯层附近的网络输出,结合确定性和贝叶斯网络的优势。
2018-11-29 cs.AI cs.LG stat.ML
Sensitivity and robustness analysis in Bayesian networks with the bnmonitor R package
IE University(IE大学);Università di Bologna(博洛尼亚大学);Tesserwell, LLC(Tesserwell有限责任公司)
贝叶斯网络是一类广泛用于复杂操作系统风险评估的模型。现在有多种方法,以及实现的软件,通过数据学习或专家启发来指导它们的构建。然而,一个构建的贝叶斯网络需要验证之前,它可以用于实际的风险评估。在这里,我们举例说明了bnmonitor R包的用法:第一个用于贝叶斯网络验证的综合软件。使用bnmonitor的应用数据分析进行了医疗数据集,以说明其广泛的功能的使用。
2021-07-25 cs.AI stat.ME
Survey of Bayesian Networks Applications to Intelligent Autonomous Vehicles
Universidad Politécnica de Madrid(马德里理工大学)
本文从决策的角度回顾了贝叶斯网络在智能自动驾驶汽车(IAV)中的应用,这是完全自动驾驶汽车的最后一步(目前正在讨论中)。到目前为止,在为自动驾驶汽车(AV)做出高层决策时,人类拥有最终决定权。基于本文引用的工作和分析,推断出一般决策框架的模块及其变量。实验室中已经做出了许多努力,表明贝叶斯网络是一种有前途的决策计算机模型。进一步的研究应该进入在真实情况下测试贝叶斯网络模型的方向。除了应用程序,贝叶斯网络的基本原理被引入作为开发IAV时要考虑的因素,具有做出高级别判断的潜力。
2019-02-21 cs.AI cs.CY
Traffic Flow Forecasting Using a Spatio-Temporal Bayesian Network Predictor
Tsinghua University(清华大学)
提出了一种新的交通流预测模型--时空贝叶斯网络预测模型。与现有的方法不同,我们的方法结合了所有的空间和时间信息,在交通网络进行我们的交通流量预测的当前站点。采用Pearson相关系数对输入变量(交通流)进行排序预测,并采用最佳优先策略选择一个子集作为贝叶斯网络的原因节点。在时空贝叶斯网络中,给定导出的原因节点和相应的结果节点,采用高斯混合模型描述输入和输出之间的统计关系。最后,在最小均方误差(M.M.S.E.)准则下进行交通流预测。北京市城市车流数据的实验结果验证了时空贝叶斯网络预测器的有效性。
2017-12-24 cs.AI stat.AP
Parameterized Complexity Results for Exact Bayesian Network Structure Learning
Masaryk University(马萨里克大学);Vienna University of Technology(维也纳工业大学)
贝叶斯网络结构学习是一个非常困难的问题,即发现一个最佳地表示一组给定的训练数据的贝叶斯网络。在本文中,我们研究的计算最坏情况下的复杂性的精确贝叶斯网络结构学习的图论限制(有向)的超结构。超结构是一个无向图,包含作为子图的解决方案网络的骨架。我们引入有向超结构作为其无向对应物的自然推广。我们的研究结果适用于基于分数的贝叶斯网络结构学习的几个变体,其中网络的分数分解为其节点的局部分数。结果如下:证明了当超结构具有有界树宽时,精确贝叶斯网络结构学习可以在非均匀多项式时间内进行;当超结构具有有界最大度时,精确贝叶斯网络结构学习可以在线性时间内进行.此外,我们表明,如果有向超结构是非循环的,那么精确的贝叶斯网络结构学习可以在二次时间进行。我们补充这些积极的结果与一些硬度的结果。我们表明,这两个限制(树宽和程度)是必不可少的,不能被丢弃而不失去统一的多项式时间的易处理性(受复杂性理论的假设)。类似地,精确贝叶斯网络结构学习对于“几乎无环”有向超结构仍然是NP难的。此外,我们表明,如果我们不搜索一个全局最优的网络,但旨在改善给定的网络,通过最多k弧添加,弧删除,或弧反转(k邻域局部搜索)的限制仍然是必不可少的。
2014-02-04 cs.AI cs.LG
Coherence, Belief Expansion and Bayesian Networks
我们构造了一个概率一致性测度的信息集,它决定了一个偏一致性排序。这一措施被应用于构建一个标准,以扩大我们的信念,面对新的信息。许多理想化的做法可以通过诉诸贝叶斯网络来放松。
2000-03-08 cs.AI cs.LO
A Cooperative Coevolutionary Genetic Algorithm for Learning Bayesian Network Structures
University of Waterloo(滑铁卢大学)
我们提出了一个合作的协同进化遗传算法学习贝叶斯网络结构,从完全可观察的数据集。由于这个问题可以分解成两个相关的子问题,即找到一个排序的节点和一个最佳的连接矩阵,我们的算法使用两个子群,每一个代表一个子任务。我们描述的实证结果与模拟的报警和保险网络。我们表明,我们的算法优于确定性算法K2。
2013-05-28 cs.AI cs.NE
Inference in Hybrid Bayesian Networks Using Mixtures of Gaussians
University of Kansas(堪萨斯大学)
本文的主要目标是描述一种方法,在一般的混合贝叶斯网络(BN)(离散和连续的机会变量的混合)的精确推理。我们的方法包括近似一般的混合贝叶斯网络的混合高斯(MoG)BN。Lauritzen-Jensen(LJ)提出了一种在MoG贝叶斯网络中进行精确推理的快速算法,并给出了该算法的商业实现。然而,该算法只能用于MoG BN。这种网络的一些限制如下。所有连续的机会变量必须有条件线性高斯分布,离散的机会节点不能有连续的父母。本文所描述的方法将使我们能够使用LJ算法的更大的一类混合贝叶斯网络。这包括具有非高斯分布的连续机会节点的网络,对离散和连续变量的拓扑结构没有限制的网络,具有条件确定性变量的网络,这些变量是其连续父母的非线性函数,以及具有连续机会变量的网络,其方差是其父母的函数。
2012-06-27 cs.AI stat.ME
Bayesian Networks Aplied to Therapy Monitoring
Medical Research Council(医学研究理事会)
我们提出了一个通用的贝叶斯网络模型的应用在广泛的一类问题的治疗监测。我们讨论了使用随机模拟作为一种计算方法来推断所提出的一类模型。作为一个例子,我们提出了一个应用程序的监测细胞毒性化疗在乳腺癌。
2013-03-20 cs.AI stat.AP
A Note on Bayesian Networks with Latent Root Variables
IDSIA(伊迪西亚研究所)
本文研究含潜在根变量的贝叶斯网络,提出经验贝叶斯网络概念,并证明原始模型似然受经验模型全局最大值支配且一致性条件等价。
2024-02-26 cs.AI cs.LG stat.ML
Polynomial Constraints in Causal Bayesian Networks
Iowa State University(爱荷华州立大学);Department of Computer Science(计算机科学系)
我们使用隐式化过程生成多项式等式约束的一组分布引起的局部干预变量的因果贝叶斯网络与隐藏变量。我们展示了如何降低隐式化问题的复杂性,并使问题在某些因果贝叶斯网络中易于处理。我们还展示了一些初步的结果多项式约束的代数结构。这些结果在区分因果模型和结合观测和实验数据检验因果模型方面具有应用价值。
2012-06-20 cs.AI stat.ME
A Characterization of the Dirichlet Distribution with Application to Learning Bayesian Networks
Microsoft Research(微软研究院);Technion(以色列理工学院)
我们提供了一个新的Dirichlet分布的特征。这一特征意味着,在几位以前的作者为学习信念网络所做的假设下,参数的Dirichlet先验是不可避免的。
2013-02-20 cs.AI cs.LG
First-Order Bayesian Network Specifications Capture the Complexity Class PP
本文的重点是证明一种语言在复杂性类PP中,当且仅当该语言的字符串在使用无函数一阶逻辑定义的贝叶斯网络中编码有效推理。
2016-09-12 cs.AI cs.CC cs.LO
Embedded Bayesian Network Classifiers
Microsoft Research(微软研究院);Microsoft Corporation(微软公司)
贝叶斯网络中局部分布函数的低维概率模型包括决策树、决策图和因果独立模型。我们描述了一个新的概率模型的离散贝叶斯网络,我们称之为嵌入式贝叶斯网络分类器或EBNC。给定父节点$\bf X$的节点$Y$的模型从用于$Y$和$\bf X$的(通常不同的)贝叶斯网络获得,其中$\bf X$不需要是$Y$的父节点。我们证明了EBNC是softmax多项式回归模型的一个特例。此外,我们将展示如何识别一个EBNC的非冗余参数集,并描述了一个渐近近似学习的贝叶斯网络,包含EBNC的结构。与决策树、决策图和因果独立模型不同,我们不知道使用这些模型的语义理由。需要实验来确定本文提出的模型是否在实践中是有用的。
2019-10-22 cs.AI cs.LG stat.ML
Improving Cancer Imaging Diagnosis with Bayesian Networks and Deep Learning: A Bayesian Deep Learning Approach
Faculty of Mathematics University of Waterloo Waterloo, Canada
本文研究结合贝叶斯网络与深度学习构建贝叶斯深度学习模型,以融合两者优势并减少不足,并分析其在医疗影像分类中的准确率与应用价值。
2024-03-28 cs.AI cs.LG eess.IV
A Tutorial on Learning With Bayesian Networks
Microsoft Research(微软研究院)
贝叶斯网络是一种图形化模型,它对感兴趣的变量之间的概率关系进行编码。当与统计技术结合使用时,图形模型对数据分析有几个优点。第一,因为模型对所有变量之间的依赖关系进行了编码,所以它很容易处理某些数据录入丢失的情况。第二,贝叶斯网络可用于学习因果关系,因此可用于了解问题领域并预测干预的后果。第三,因为模型同时具有因果和概率语义,所以它是结合先验知识(通常以因果形式出现)和数据的理想表示。第四,贝叶斯统计方法结合贝叶斯网络提供了一种有效和原则性的方法来避免数据的过度拟合。在本文中,我们讨论了从先验知识构建贝叶斯网络的方法,并总结了贝叶斯统计方法,使用数据来改善这些模型。关于后一项任务,我们描述了学习贝叶斯网络的参数和结构的方法,包括使用不完整数据学习的技术。此外,我们将贝叶斯网络学习方法与监督和无监督学习技术联系起来。我们说明了图形建模方法使用现实世界的案例研究。
2022-01-10 cs.AI cs.LG stat.ML
SOLBP: Second-Order Loopy Belief Propagation for Inference in Uncertain Bayesian Networks
University of Michigan(密歇根大学);DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室);BI Norwegian Business School(BI挪威商学院);University of Brescia(布雷西亚大学)
在二阶不确定贝叶斯网络中,条件概率仅在分布内已知,即,概率大于概率Delta方法已被应用于扩展精确的一阶推理方法,通过贝叶斯网络派生的和-积网络传播均值和方差,从而表征认知不确定性或模型本身的不确定性。或者,二阶信念传播已被证明为多树,但不是一般的有向无环图结构。在这项工作中,我们将Loopy Belief Propagation扩展到二阶贝叶斯网络的设置,从而产生二阶Loopy Belief Propagation(SOLBP)。对于二阶贝叶斯网络,SOLBP生成的推理与和积网络生成的推理一致,同时计算效率更高,可扩展性更强。
2022-08-16 cs.AI cs.LG stat.ML
Advances in exact Bayesian structure discovery in Bayesian networks
我们考虑一个贝叶斯方法学习贝叶斯网络结构从完整的数据。最近,Koivisto和Sood(2004)提出了一种算法,对于任何一条边,都可以在O(n 2^n)时间内计算其边际后验概率,其中n是属性的数量;每个属性的父节点数量受一个常数的限制。本文证明了所有n(n - 1)条潜在边的后验概率可以在O(n2^n)总时间内计算。这个结果是通过一个向前向后的技术和快速Moebius变换算法,这是独立的利益。由此产生的约n^2倍的加速,使我们能够通过实验研究学习中等规模网络的统计能力。我们报告了一个模拟研究的结果,该研究涵盖了具有5到25个离散属性的20到10,000个记录的数据集
2012-06-27 cs.AI cs.LG stat.ML
Learning Equivalence Classes of Bayesian Networks Structures
University of California at Los Angeles(加州大学洛杉矶分校)
从数据中学习贝叶斯网络的方法通常将评分函数与启发式搜索过程相结合。给定贝叶斯网络结构,文献中导出的许多评分函数返回该结构所属的整个等价类的分数。当使用这样的评分函数时,启发式搜索算法适合搜索贝叶斯网络的等价类,而不是单个结构。我们提出的一般配方的搜索空间的搜索状态对应的等价类的结构。使用这个空间,可以容易地应用许多启发式搜索算法中的任何一个。我们比较贪婪的搜索性能在建议的搜索空间的贪婪搜索性能的搜索空间的状态对应于个人贝叶斯网络结构。
2013-02-13 cs.AI cs.LG stat.ML
Structure Learning in Bayesian Networks of Moderate Size by Efficient Sampling
Iowa State University(爱荷华州立大学)
我们研究了贝叶斯模型平均方法来学习贝叶斯网络结构(DAG)的数据。我们开发了新的算法,包括第一个算法,能够有效地采样DAG根据确切的结构后验。然后,可以使用DAG样本来构建任何特征的后验估计。我们从理论上证明了我们的估计良好的性能和经验表明,我们的估计大大优于估计从以前的国家的最先进的方法。
2015-01-19 cs.AI cs.LG stat.ML