A Bayesian Approach to Learning Causal Networks
Microsoft Research（微软研究院）
因果贝叶斯网络表示概率独立性，而因果贝叶斯网络表示因果关系。在本文中，我们将研究学习这两种类型网络的贝叶斯方法。贝叶斯方法学习因果网络是相当发达的。这些方法通常使用假设来促进先验的构建，包括参数独立性、参数模块性和似然等价性的假设。我们表明，虽然这些假设也可以适用于学习因果网络，我们需要额外的假设，以学习因果网络。我们引入了两个充分的假设，称为{em机制独立性}和{em组件独立性}。我们表明，这些新的假设，结合参数独立性，参数模块化，和似然等价，使我们能够应用学习因果网络的方法来学习因果网络。
2015-05-16 cs.AI
On tensor rank of conditional probability tables in Bayesian networks
Institute of Information Theory and Automation of the AS CR（捷克科学院信息理论与自动化研究所）
贝叶斯网络建模的一个难点是贝叶斯网络参数的获取。需要大量参数来指定具有较大父集的条件概率表（CPT）。在本文中，我们表明，贝叶斯网络的实际应用中的大多数CPT实际上可以很好地近似表，需要少得多的参数。这一观察不仅对模型启发，而且对使用这些网络进行有效的概率推理具有实际意义。
2014-09-22 cs.AI
A Knowledge Acquisition Tool for Bayesian-Network Troubleshooters
Hewlett-Packard Customer Support R&D（惠普客户支持研发部）；Hewlett-Packard Company（惠普公司）
本文描述了一种基于贝叶斯网络的智能自动推理机领域知识获取工具。使用该工具不需要贝叶斯网络知识，并且可以尽可能自然和直观地指定故障排除信息。概率可以在领域专家最自然的方向上指定。因此，知识获取有效地消除了传统的知识获取贝叶斯网络的瓶颈。
2013-01-16 cs.AI
Measuring the Hardness of Stochastic Sampling on Bayesian Networks with Deterministic Causalities: the k-Test
Florida State University（佛罗里达州立大学）
近似贝叶斯推理是NP难的。Dagum和Luby定义了局部方差界（Local Variance Bound，LVB）来衡量贝叶斯网络上贝叶斯推理的近似硬度，假设网络模型严格为正的联合概率分布，即不允许零概率。本文介绍了k-检验来衡量贝叶斯网络上的推理的近似硬度与确定性的因果关系的概率分布，即当零条件概率是允许的。通过随机采样的近似是一种广泛使用的推断方法，已知该方法由于样本拒绝而效率低下。k检验预测贝叶斯网络随机抽样的拒绝率何时会低，适度，高，或者当抽样是棘手的。
2012-02-14 cs.AI
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
Characterization of Dynamic Bayesian Network
National School of Engineer of Sousse（苏塞工程师学院）；Preparatory Institute of Engineer of National School of Engineer of Sousse（苏塞工程师学院预备工程师学院）
在本报告中，我们将对动态贝叶斯网络（DBN）感兴趣，它试图将时间维度与不确定性结合起来。我们从DBN的基础知识开始，特别关注推理和学习概念和算法。然后，我们将提出不同的层次和方法，建立DBNs以及纳入静态贝叶斯网络的时间维的方法。
2012-04-07 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
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
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
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
ExpertBayes: Automatically refining manually built Bayesian networks
CRACS INESC TEC LA；University of Porto（波尔图大学）；University of Wisconsin, Madison（威斯康星大学麦迪逊分校）
贝叶斯网络结构通常仅使用数据并从空网络或朴素贝叶斯结构开始构建。很多时候，在某些领域，如医学，先验结构知识是已知的。该结构可以自动或手动细化，以寻找更好的性能模型。在这项工作中，我们采用专家构建的贝叶斯网络，并表明对原始网络的微小扰动可以以非常小的计算成本产生更好的分类器，同时保持原始模型的大部分预期含义。
2014-06-10 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
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
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
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
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
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
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
Finding, Scoring and Explaining Arguments in Bayesian Networks
Aberdeen University（阿伯丁大学）
我们提出了一种新的方法来解释贝叶斯网络。该方法围绕着一个新的定义的概率参数和它提供的证据。我们定义了一个独立的参数的概念，并提出了一个算法来提取一个列表的相关，独立的参数给定的贝叶斯网络，目标节点和一组观察。为了证明参数的相关性，我们展示了如何使用提取的参数来近似消息传递。最后，我们展示了一个简单的方案来解释自然语言的参数。
2021-11-30 cs.AI cs.CL stat.AP
A Bayesian Method for Constructing Bayesian Belief Networks from Databases
Stanford University（斯坦福大学）；University of Pittsburgh（匹兹堡大学）
本文提出了一种从案例数据库中构造贝叶斯信度网的贝叶斯方法。潜在的应用包括计算机辅助假设检验、自动科学发现和概率专家系统的自动构造。结果提出了一个初步评估的算法，用于构建一个信念网络的数据库的情况下。我们在本文中的方法，以前的工作，我们讨论开放的问题。
2013-03-20 cs.AI
Strategies for Generating Micro Explanations for Bayesian Belief Networks
Monash University（莫纳什大学）
贝叶斯信度网络一直被专家系统从业者忽视，因为它不符合人类的推理机制。在本文中，我们介绍了一种解释机制，旨在生成直观的概率合理的解释贝叶斯信念网络得出的推论。特别是，我们的机制帐户的因果关系和证据支持的节点的变化所获得的结果。
2013-03-27 cs.AI
Bayesian Logic Programs
贝叶斯网络提供了一个优雅的形式主义表示和推理的不确定性使用概率论。它们是命题逻辑的概率扩展，因此继承了命题逻辑的一些局限性，例如难以表示对象和关系。我们引入了贝叶斯网络的一般化，称为贝叶斯逻辑程序，以克服这些限制。为了表示对象和关系，它通过在基础原子和随机变量之间建立一对一的映射，将贝叶斯网络与确定性子句逻辑相结合。我们表明，贝叶斯逻辑程序结合了确定子句逻辑和贝叶斯网络的优点。这包括模型的定量和定性方面的分离。此外，贝叶斯逻辑程序推广贝叶斯网络以及逻辑程序。所以，很多想法
2001-11-23 cs.AI cs.LO
