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
Large-Sample Learning of Bayesian Networks is NP-Hard
Microsoft Research（微软研究院）
在本文中，我们提供了新的复杂性结果的算法，从数据中学习离散变量贝叶斯网络。只要学习算法使用有利于能够准确表示生成分布的最简单模型的评分标准，我们的结果就适用。因此，只要学习算法使用一致的评分标准并应用于足够大的数据集，我们的结果就成立。我们发现，即使我们得到一个独立的预言机，推理预言机，和/或信息预言机，识别高分结构是困难的。我们的否定结果也适用于离散变量贝叶斯网络的学习，其中每个节点最多有k个父母，对于所有k > 3。
2012-10-19 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
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
Scoring and Searching over Bayesian Networks with Causal and Associative Priors
University of Crete（克里特大学）；Institute of Computer Science, FORTH（希腊研究与技术基金会计算机科学研究所）
学习贝叶斯网络的搜索和评分方法的一个重要理论优势是，它们可以接受每个可能网络的信息先验信念，从而补充数据。在本文中，提出了一种方法来分配先验知识的基础上存在或不存在某些路径的真实网络的信念。这种信念对应于关于变量对之间可能的因果关系和关联关系的知识。这种类型的知识自然来自先前的实验和观察数据等。此外，提出了一种新的搜索算子，以利用这些先验知识。实验表明，使用路径信念提高了骨架的学习，以及在网络中的边缘方向。
2013-07-31 cs.AI cs.LG stat.ML
On the Use of Skeletons when Learning in Bayesian Networks
Siemens AG, Corporate Technology（西门子股份公司，中央研究院）
在本文中，我们提出了一个启发式操作，其目的是在搜索过程中，同时优化所有的边缘在中间贝叶斯网络结构的方向。这是通过在有向无环图（DAG）空间和骨架空间之间交替来完成的。发现的方向的边缘是基于评分函数，而不是诱导的条件独立性。此运算符可用作常用搜索策略的扩展。它是在实验中与人工和真实世界的数据进行评估。
2013-01-16 cs.AI
A Comprehensively Improved Hybrid Algorithm for Learning Bayesian Networks: Multiple Compound Memory Erasing
Northeastern University（东北大学）
利用贝叶斯网络来分析节点之间的因果关系是一个研究热点。现有的网络学习算法主要是基于约束和基于得分的网络生成方法。基于约束的方法主要是条件独立性（CI）检验的应用，但CI检验在高维小样本情况下的不准确性一直是基于约束的方法存在的问题。基于得分的方法利用得分函数和搜索策略寻找最优的候选网络结构，但搜索空间随着节点数的增加而增加过多，学习效率很低。本文提出了一种新的混合擦除算法MCME（multiple compound memory erasing）。该方法保留了前两种方法的优点，解决了上述CI测试的不足，并在方向判别阶段的评分函数上进行了创新。大量的实验表明，MCME具有优于或接近现有的一些算法的性能。
2022-12-05 cs.AI cs.LG
Exact Structure Learning of Bayesian Networks by Optimal Path Extension
University at Buffalo（布法罗大学）
贝叶斯网络是大数据分析中经常使用的概率图模型。精确结构学习的问题是在一定的评分标准下找到一个最优的网络结构。已知该问题是NP难的，现有的方法都是计算和内存密集型的。在本文中，我们介绍了一种新的方法，精确的结构学习。我们的策略是利用部分网络结构和其余变量之间的关系来约束部分网络可以最佳扩展的方式的数量。通过实验结果，我们表明，该方法提供了高达三倍的改善，在运行时间，并在内存消耗的数量级减少了目前最好的算法。
2017-03-21 cs.AI
Learning Gaussian Networks
我们描述了学习贝叶斯网络的用户知识和统计数据的组合算法。该算法有两个组成部分：评分度量和搜索过程。评分度量采用网络结构、统计数据和用户的先验知识，并返回与给定数据的网络结构的后验概率成比例的分数。搜索过程生成网络，用于通过评分度量进行评估。以前的工作集中在度量域只包含离散变量，假设数据代表一个多项式样本。在本文中，我们扩展这项工作，开发评分指标域包含所有连续变量或离散和连续变量的混合物，假设连续数据是从多元正态分布采样。我们的工作扩展了传统的统计方法，确定消失的回归系数，我们确定了两个重要的假设，称为事件等价性和参数模块化，当结合允许从一个单一的先验贝叶斯网络由用户指定的多元正态参数的先验分布的建设。
2021-06-27 cs.AI cs.LG stat.ML
On the Construction of the Inclusion Boundary Neighbourhood for Markov Equivalence Classes of Bayesian Network Structures
University of Liege（列日大学）
学习贝叶斯网络结构的马尔可夫等价类的问题可以通过在这些类的空间中搜索评分度量的最大值来解决。本文讨论了一种这样的搜索空间的定义和分析。我们使用一个理论上有动机的邻居，包含边界，并表示等价类的基本图。我们证明了这个搜索空间是连通的，并且邻居的得分可以递增地进行评估。我们设计了一个实用的方法来建立这个社区的一个基本的图，是纯粹的图形，并不明确地指的是潜在的独立性。我们发现，它的大小可以是棘手的，这取决于等价类的基本图的复杂性。重点讨论了贪婪爬山搜索对该空间的潜在利用
2012-12-12 cs.AI
Learning All Credible Bayesian Network Structures for Model Averaging
University of Waterloo（滑铁卢大学）；University of Bristol（布里斯托大学）
贝叶斯网络是一种广泛使用的概率图模型，在知识发现和预测中具有应用。从数据中学习贝叶斯网络（BN）可以被转换为使用众所周知的评分和搜索方法的优化问题。然而，选择单个模型（即，最佳评分BN）可能是误导性的，或者可能无法达到最佳可能的准确度。一个替代方法是执行某种形式的贝叶斯或频率模型平均，其中可能BN的空间以某种方式进行采样或枚举。不幸的是，现有的模型平均方法要么严重限制了贝叶斯网络的结构，要么只能扩展到少于30个随机变量的网络。在本文中，我们提出了一种新的方法来模型平均启发性能保证近似算法。我们的方法有两个主要优点。首先，我们的方法只考虑可信的模型，因为它们在得分上是最优或接近最优的。第二，我们的方法更有效，比现有方法可扩展到更大的贝叶斯网络。
2020-08-27 cs.AI
A Bayesian model for recognizing handwritten mathematical expressions
University of Waterloo（滑铁卢大学）
识别手写数学是一个具有挑战性的分类问题，需要同时识别包括输入的所有符号以及符号和子表达式之间的复杂二维关系。由于手写输入中存在的模糊性，希望始终保持完美的识别精度通常是不现实的。我们提出了一个系统，它捕获所有可识别的解释的输入，并组织他们在一个解析森林，从单独的解析树可以提取和报告。如果排名最高的解释不正确，则用户可以请求替代并选择他们期望的识别结果。树提取步骤使用一种新的概率树评分策略，其中贝叶斯网络是基于输入的结构构建的，并且每个联合变量分配对应于不同的解析树。然后按照概率递减的顺序报告解析树。两个准确性评估表明，由此产生的识别系统比以前的版本（使用非概率方法）和其他学术数学识别器更准确。
2014-09-18 cs.AI
Extending Dynamic Bayesian Networks for Anomaly Detection in Complex Logs
University of Antwerp（安特卫普大学）
检查来自不同进程的各种日志文件可能是一项繁琐的任务，因为这些日志包含大量事件，每个事件都有（可能很大）数量的属性。我们开发了一种方法来自动建模日志文件和检测数据中的离群跟踪。为此，我们扩展了动态贝叶斯网络来模拟日志文件中的正常行为。我们引入了一种新的算法，能够从数据本身开始学习日志文件的模型。即使日志文件中出现新值或新的值组合，该模型也能够对跟踪进行评分。
2018-08-17 cs.AI cs.LG
Efficient Learning of Bounded-Treewidth Bayesian Networks from Complete and Incomplete Data Sets
IDSIA（瑞士人工智能研究所）；Seoul National University（首尔国立大学）
学习树宽有界的贝叶斯网络对于降低推理的复杂性具有重要意义。我们提出了一种新的随时算法（K-MAX）的方法，该方法可以扩展到数千个变量。通过大量的实验，我们表明，它始终产生更高的评分结构比它的竞争对手在完整的数据集。然后，我们考虑从不完整的数据集的结构学习的问题。这可以通过结构EM来解决，然而这在计算上要求很高。因此，我们在结构EM的最大化步骤中采用了新的k-MAX算法，获得了期望的充分统计量的有效计算。我们测试所得到的结构EM方法的任务，填补缺失的数据，比较它对国家的最先进的方法的基础上随机森林。我们的方法实现了与竞争对手相同的插补精度，但时间只有竞争对手的十分之一。此外，我们表明，它有最坏情况下的复杂性线性的输入大小，它是很容易并行化。
2018-02-07 cs.AI
A Multivariate Discretization Method for Learning Bayesian Networks from Mixed Data
University of Pittsburgh（匹兹堡大学）
在本文中，我们解决了离散化的背景下学习贝叶斯网络（BN）的数据包含连续和离散变量的问题。我们描述了一种新的<EM>多元</EM>离散化技术，其中每个连续变量离散化，同时考虑到它与其他变量的相互作用。该技术是基于使用贝叶斯评分度量，评分的离散化政策的连续变量给定的BN结构和观察到的数据。由于该度量是相对于当前正在评估的BN结构的，因此变量的离散化需要随着BN结构的变化而动态调整。
2013-01-30 cs.AI cs.LG
Evaluating structure learning algorithms with a balanced scoring function
School of EECS, Queen Mary University of London (QMUL)（伦敦玛丽女王大学电子工程与计算机科学学院）；The Alan Turing Institute（图灵研究所）
已经提出了几种结构学习算法来发现因果或贝叶斯网络（BN）图。这些算法的有效性往往通过评估学习和地面真值图之间的关系来评估。然而，没有商定的评分指标来确定这种关系。此外，本文表明，一些常用的指标往往偏向于最小化边缘的图形。虽然不太复杂的图是可取的，一些指标有利于欠拟合的图，从而鼓励有限的传播证据。本文提出了平衡评分函数（BSF），通过根据发现边缘或无边缘的难度（与它们在地面真值图中的出现率成比例）调整奖励函数来消除这种偏差。BSF分数可以与其他传统度量结合使用，以提供关于结构学习算法在发现因果图或BN图中的能力的替代且无偏的评估。
2020-09-02 cs.AI cs.LG stat.ML
A Study on Group Decision Making Problem Based on Fuzzy Reasoning and Bayesian Networks
University of Science and Technology Liaoning（辽宁科技大学）
针对多目标属性群决策问题，提出集成模糊推理与贝叶斯网络的系统，利用模糊规则库和分层贝叶斯网络建模非线性关系，实验证明其分类准确率达86.0%，F1值较传统方法提升53.4%，具有良好鲁棒性。
2025-04-30 cs.AI
Mean Field Variational Approximation for Continuous-Time Bayesian Networks
School of Computer Science（计算机科学学院）；Institute of Mathematics（数学研究所）；The Hebrew University（希伯来大学）
连续时间贝叶斯网络是一种自然的结构化表示语言，用于描述随时间连续演化的多组分随机过程。尽管有紧凑的表示，但即使在相对简单的结构化网络中，这种模型中的推理也是难以处理的。在这里，我们介绍了一个平均场变分近似，我们使用的产品的非齐次马尔可夫过程近似分布的轨迹。这种变分方法导致全局一致的分布，可以有效地查询。此外，它提供了一个观察概率的下限，从而使其对学习任务具有吸引力。我们提供的理论基础的近似，一个有效的实现，利用广泛的高度优化的常微分方程（ODE）求解器，实验探索这种近似是合适的过程的特征，并显示应用程序的大规模现实世界的推理问题。
2012-05-09 cs.AI
Scalable Exact Parent Sets Identification in Bayesian Networks Learning with Apache Spark
Department of Computer Science and Engineering University at Buffalo（布法罗大学计算机科学与工程系）；Department of Computer Science and Engineering Department of Biomedical Informatics University at Buffalo（布法罗大学生物医学信息学系计算机科学与工程系（注：此处按原文机构名合并，实际通常以主要系部为准，原文同时列出两个系部，均需提取））；University at Buffalo（布法罗大学（注：经检查，原HTML中作者的Affiliation部分明确包含的机构单位为“Department of Computer Science and Engineering University at Buffalo”和“Department of Computer Science and Engineering Department of Biomedical Informatics University at Buffalo”，但根据提取规则，机构粒度到大学/学院/公司/研究院级别即可，此处“University at Buffalo”为大学，“Department of Computer Science and Engineering”为系部，“Department of Biomedical Informatics”为系部。按要求提取到大学/学院/公司/研究院级别，因此主要机构为“University at Buffalo”，但原文中作者的Affiliation完整内容包含多个系部和大学，需严格按原文提取作者所属机构的英文名称，中文翻译需自然准确。正确提取应为：{）
在机器学习中，父集合识别问题是找到一组随机变量，这些随机变量在给定数据和一些预定义的评分函数的情况下最好地解释所选变量。该问题是贝叶斯网络结构学习和马尔可夫毯发现的关键组成部分，因此具有许多实际应用，从欺诈检测到临床决策支持。在本文中，我们介绍了一个新的分布式记忆方法的精确父集分配问题。为了实现可扩展性，我们推导出理论界来约束搜索空间时，MDL评分函数，我们重新组织底层的动态规划，这样的计算密度增加，细粒度同步被淘汰。然后，我们在Apache Spark平台上设计了我们方法的有效实现。实验结果表明，该方法在500核的独立Spark集群上具有很强的可扩展性，可以有效地处理70个变量的数据集，远远超出了现有解决方案的范围。
2017-10-24 cs.AI cs.DC
Price Updating in Combinatorial Prediction Markets with Bayesian Networks
Yahoo! Research（雅虎研究院）；Duke University（杜克大学）
为了克服基于对数市场评分规则（LMSR-based）的组合预测市场中计算/更新价格的#P-困难，Chen等人。[5]最近使用一个简单的贝叶斯网络来表示锦标赛组合预测市场中证券的价格，并表明两种类型的流行证券是结构保持的。在本文中，我们显着扩展这一想法，采用贝叶斯网络在一般的组合预测市场。我们揭示了一个非常自然的连接基于LMSR的组合预测市场和概率信念聚合，这导致了一个完整的表征所有结构保持证券可分解的网络结构。值得注意的是，Chen等人[5]的主要结果是我们特征的推论。然后，我们证明，为了一个非常基本的证券集是结构保持，贝叶斯网络的图必须是可分解的。我们还讨论了一些近似技术的证券结构不保持。
2012-02-14 cs.AI cs.GT
Finding Optimal Bayesian Networks
Microsoft Research（微软研究院）
在本文中，我们推导出贪婪贝叶斯网络搜索算法的最优性结果，该算法在每一步执行单边修改，并使用渐近一致的评分标准。我们的结果扩展了Meek（1997）和Chickering（2002）的结果，他们证明了在大数据集的限制下，如果生成分布相对于定义在可观察变量上的DAG是完美的，则这样的搜索算法将识别出这个最优（即生成）DAG模型。我们放松了他们关于生成分布的假设，并且仅假设该分布在可观测变量上满足{em复合性质}，这对于实域来说是一个更现实的假设。在这个假设下，我们保证搜索算法识别出一个{em inclusion-optimal}模型;也就是说，一个模型（1）包含生成分布，（2）没有包含该分布的子模型。此外，我们表明，组合属性是保证举行的生成分布中的依赖关系的特点是单元素之间的路径在一些生成的图形模型（例如，DAG，链图，或马尔可夫网络），即使当生成模型包括未观察到的变量，甚至当观察到的数据受到选择偏差。
2012-12-12 cs.AI
Sequential Update of Bayesian Network Structure
University of California（加利福尼亚大学）；SRI International（斯坦福国际研究院）
当观察到新数据时，显然需要改进贝叶斯网络的性能和准确性。由于模型构建的错误和领域动态的变化，我们不能忽视新数据中的信息。虽然可以使用标准技术来完成固定结构的参数的顺序更新，但是网络结构的顺序更新仍然是一个开放的问题。本文研究了贝叶斯网络在参数和结构都有变化时的序贯更新问题。我们引入了一种新的方法，允许灵活地操纵学习网络的质量和维护有关过去观测的信息量之间的权衡。我们正式描述我们的方法，包括必要的修改，学习贝叶斯网络的评分功能，通过实证研究评估其有效性，并将其扩展到缺失数据的情况下。
2013-02-06 cs.AI cs.LG
BClean: A Bayesian Data Cleaning System
Shenzhen University（深圳大学）；Shenzhen Institute of Computing Sciences（深圳计算科学研究院）；Zhongguancun Laboratory（中关村实验室）；Nagoya University（名古屋大学）
BClean提出一种自动构建贝叶斯网络并支持用户交互的数据清洗系统，通过贝叶斯推断和近似策略提升效率，在真实与合成数据上F值达0.9，优于现有方法。
2023-11-11 cs.AI cs.DB cs.LG
CTBNCToolkit: Continuous Time Bayesian Network Classifier Toolkit
连续时间贝叶斯网络分类器被设计用于多变量流数据的时间分类，当事件的持续时间很重要并且类不随时间变化时。本文介绍了CTBNCToolkit：一个开源的Java工具包，它提供了一个独立的应用程序的时间分类和连续时间贝叶斯网络分类库。CTBNCToolkit实现了连续时间贝叶斯网络分类器的推理算法、参数学习算法和结构学习算法。结构学习算法基于评分函数：提供边际对数似然评分和条件对数似然评分。CTBNCToolkit还提供了一个实现的期望最大化算法的聚类目的。本文介绍了连续时间贝叶斯网络分类器。如何从命令行使用CTBNToolkit在特定部分中进行了描述。工具包中还包括一些示例，以帮助用户了解如何使用该工具包。建议专门用于Java库的一节，以帮助进一步的代码扩展。
2014-04-18 cs.AI cs.LG cs.MS
An Improved Admissible Heuristic for Learning Optimal Bayesian Networks
Queens College/City University of New York（纽约城市大学皇后学院）；Helsinki Institute for Information Technology（赫尔辛基信息技术研究所）；Mississippi State University（密西西比州立大学）
最近，两个搜索算法，A * 和广度优先的分支和界限（BFBnB），开发了一个简单的可接受的启发式学习贝叶斯网络结构，优化评分函数的基础上。启发式表示学习问题的放松，使得每个变量独立地选择最佳父母。因此，启发式可能包含许多有向循环，并导致松散的边界。本文介绍了一种改进的容许启发式，试图避免小的变量组内的有向循环。一个稀疏表示也被引入到存储唯一的最佳父选择。实验结果表明，在本文测试的大多数数据集上，新技术显著提高了A * 和BFBnB的效率和可扩展性。
2012-10-16 cs.AI cs.LG stat.ML
Model Criticism of Bayesian Networks with Latent Variables
Educational Testing Service（教育考试服务中心）
贝叶斯网络（BN）的认知评估和智能教学系统的应用提出了新的挑战，模型的建设。当认知任务分析建议构建一个BN与几个潜在的变量，经验模型批评的潜在结构变得既关键又复杂。本文介绍了一种方法，批评模型的全球（BN在其整体）和本地（可观察节点），并探讨其价值在识别几种失配：节点错误，边缘错误，状态错误，和先验概率错误的潜在结构。结果表明，该指数有可能检测模型失配，并协助定位有问题的组件的模型。
2013-01-16 cs.AI stat.AP stat.ME
Finding All Bayesian Network Structures within a Factor of Optimal
University of Waterloo（滑铁卢大学）；University of York（约克大学）
贝叶斯网络是一种广泛使用的概率图模型，在知识发现和预测中具有应用。从数据中学习贝叶斯网络（BN）可以被转换为使用众所周知的评分和搜索方法的优化问题。然而，选择单个模型（即，最佳评分BN）可能是误导性的，或者可能无法达到最佳可能的准确度。一个替代方法是执行某种形式的贝叶斯或频率模型平均，其中可能BN的空间以某种方式进行采样或枚举。不幸的是，现有的模型平均方法要么严重限制了贝叶斯网络的结构，要么只能扩展到少于30个随机变量的网络。在本文中，我们提出了一种新的方法来模型平均启发性能保证近似算法。我们的方法有两个主要优点。首先，我们的方法只考虑可信的模型，因为它们在得分上是最优或接近最优的。第二，我们的方法更有效，比现有方法可扩展到更大的贝叶斯网络。
2018-11-12 cs.AI cs.LG stat.ML
Irregular-Time Bayesian Networks
Ben-Gurion University（本-古里安大学）
在许多领域的观察是不规则的，由于测量的限制或缺乏一个恒定的implementation率。虽然离散时间马尔可夫模型（如动态贝叶斯网络）引入了低效的计算或信息丢失，但连续时间马尔可夫模型假设离散状态空间（如连续时间贝叶斯网络）或平坦的连续状态空间（如随机微分方程）。为了解决这些问题，我们提出了一个新的建模类称为不规则时间贝叶斯网络（ITBN），概括动态贝叶斯网络，允许更紧凑的表示，并增加了时间动态的表达能力。此外，一个全局最优的解决方案是保证学习时的时间系统，只要他们是完全观察到在相同的不规则间隔的时间点，并引入ITBN的半参数子类，以允许进一步适应现有数据的不规则性。
2012-03-15 cs.AI cs.LG stat.ML
Data Analysis with Bayesian Networks: A Bootstrap Approach
The Hebrew University（希伯来大学）；SRI International；University of Pennsylvania（宾夕法尼亚大学）
近年来，从数据中归纳贝叶斯网络的算法和方法取得了重大进展。然而，在复杂的数据分析问题中，我们需要超越满足于诱导具有高分的网络。我们需要对这些网络的特征提供置信度度量：两个节点之间是否存在边？一个给定节点的马尔可夫毯是鲁棒的吗？我们能说一下变量的排序吗？我们应该能够解决这些问题，即使数据量不足以诱导一个高分网络。在本文中，我们提出埃夫隆的Bootstrap作为一个计算效率的方法来回答这些问题。此外，我们建议使用这些置信度的措施，从数据中诱导更好的结构，并检测潜在变量的存在。
2013-01-23 cs.AI cs.LG stat.ML
An Experimental Comparison of Hybrid Algorithms for Bayesian Network Structure Learning
Université de Lyon（里昂大学）；CNRS（法国国家科学研究中心）；Université Lyon 1（里昂第一大学）
提出了一种新的贝叶斯网络结构学习的混合算法，称为混合HPC（H2 PC）。它首先重建贝叶斯网络的骨架，然后执行贝叶斯评分贪婪爬山搜索来定位边缘。它基于一个名为HPC的子例程，该子例程结合了增量和基于约束的分治方法的思想，以学习目标变量的父变量和子变量。我们对H2 PC与Max-Min Hill-Climbing（MMHC）进行了实验比较，MMHC是目前最强大的贝叶斯网络结构学习算法，在几个具有不同数据大小的基准测试中。我们的大量实验表明，H2 PC在对新数据的拟合优度和网络结构本身的质量方面都优于MMHC，它更接近数据的真实依赖结构。H2 PC的源代码（R）以及用于实证测试的所有数据集都是公开的。
2015-08-24 cs.AI cs.LG stat.ML
A Greedy, Flexible Algorithm to Learn an Optimal Bayesian Network Structure
University at Buffalo, The State University of New York（布法罗大学，纽约州立大学）
在这份报告中，我们首先提出了一份报告的高级机器学习课程项目提供的数据集，然后提出了一种新的启发式算法，精确贝叶斯网络（BN）的结构发现，使用可分解的评分函数。我们的算法遵循不同的方法来解决BN结构发现的问题比以前使用的方法，如动态规划（DP）和分支定界，以减少搜索空间，并找到全局最优空间的问题。我们提出的算法有一定程度的灵活性，可以使它或多或少的贪婪。算法被设置为贪婪的越多，算法的速度就越快，最终的结构就越不优化。我们的算法运行在一个更少的时间比以前已知的方法，并保证有接近99%的最优性。因此，它牺牲了不到1%的最佳结构的得分，以获得更低的运行时间，并使算法适用于大数据集（我们可能会注意到，除了结果验证，我们从未使用任何工具箱）
2014-11-24 cs.AI stat.ML
A Bayesian Method Reexamined
Stanford University（斯坦福大学）
本文研究了Cooper和Herskovits的“K2”网络评分度量。它显示了将此度量应用于简单网络的反直观结果。一个家庭的noninformative先验的建议分配相等的分数等效网络。
2013-02-27 cs.AI
Bayesian Active Learning with Gaussian Processes Guided by LLM Relevance Scoring for Dense Passage Retrieval
Sungkyunkwan University（成均馆大学）；University of Toronto（多伦多大学）
本文提出BAGEL框架，通过高斯过程引导LLM相关性评分，解决传统方法在语义不同聚类中检索失败和相关性信号传播不足的问题，实验证明其在四个数据集上优于LLM重排序方法。
2026-04-20 cs.AI cs.IR
Automated ARAT Scoring Using Multimodal Video Analysis, Multi-View Fusion, and Hierarchical Bayesian Models: A Clinician Study
University of Southern California（南加州大学）
本文提出一种自动化ARAT评分系统，融合多模态视频分析、多视角特征与分层贝叶斯模型，在脑卒中康复数据上实现89.0%验证准确率，并经临床医生验证其准确性与可用性。
2025-05-03 cs.AI cs.CV cs.HC
Advances in Bayesian Network Learning using Integer Programming
University of York（约克大学）
研究了从完全离散数据中学习贝叶斯网络的问题。这个问题的离散优化制定为一个整数规划（IP）。我们描述了我们已经采取的各种步骤，以便有效地解决这个IP。这些是（i）有效搜索切割平面，（ii）快速贪心算法以找到高分（可能不是最佳的）BN，以及（iii）收紧IP的线性松弛。在将BN学习问题与集合覆盖和多维0-1背包问题联系起来之后，我们给出了我们的实证结果。这些结果显示出比以前的结果有所改善，有时是戏剧性的。
2015-03-23 cs.AI
An Evaluation of an Algorithm for Inductive Learning of Bayesian Belief Networks Usin
University of Pittsburgh（匹兹堡大学）
贝叶斯信念网络学习（Bayesian Learning of Belief Networks，BLN）是一种使用搜索和贝叶斯评分技术从数据中自动构建信念网络的方法。K2是实现贪婪搜索策略的方法的特定实例。为了评估K2的准确性，我们随机生成了一些BN，并为每个BN模拟了数据集。然后使用K2从模拟数据中诱导生成BN。我们检查的程序的性能，以及影响它的因素。我们还提出了一个简单的BN模型，从我们的结果，它预测的精度K2，当给定的数据集的各种特性。
2013-02-27 cs.AI
Calibrated Credit Intelligence: Shift-Robust and Fair Risk Scoring with Bayesian Uncertainty and Gradient Boosting
本文提出校准的信用智能（CCI），结合贝叶斯不确定性与梯度提升，实现稳健且公平的风险评分，提升准确性与公平性。
2026-03-06 cs.AI cs.LG q-fin.RM
The Disparate Effects of Partial Information in Bayesian Strategic Learning
Georgia Institute of Technology（佐治亚理工学院）；Harvard University（哈佛大学）
研究部分信息下评分规则对策略学习公平性的影响，发现朴素智能体的效用差异随噪声无界增长且成本较低群体受损，而贝叶斯智能体差异保持有界，通常在透明度中间水平最小化。
2025-05-31 cs.AI cs.GT
A Hybrid Anytime Algorithm for the Constructiion of Causal Models From Sparse Data
University of Pittsburgh（匹兹堡大学）
我们提出了一个混合约束为基础的/贝叶斯算法学习因果网络中存在的稀疏数据。该算法搜索空间的等价类的模型（基本图），使用传统的基于约束的技术的基础上的启发式。然后将每个基本图转换为有向非循环图，并使用贝叶斯评分度量进行评分。该算法的两个变种的开发和测试使用的数据从随机生成的网络的大小从15到45个节点的数据大小范围从250到2000记录。这两种变化进行了比较，并发现始终优于两个变化的贪婪搜索与重新启动。
2013-01-23 cs.AI
What If They Took the Shot? A Hierarchical Bayesian Framework for Counterfactual Expected Goals
Cardiff University, School of Mathematics（卡地夫大学数学学院）；Cardiff University, School of Computer Science and Informatics（卡地夫大学计算机科学与信息学学院）；Dead Ball Analytics Limited（Dead Ball Analytics有限公司）
本文提出分层贝叶斯框架，通过整合专家知识提升xG估计精度，揭示球员专精特征和潜在能力，支持反事实分析。
2026-10-15 cs.AI eess.SP stat.AP
