Discrete Bayesian Networks: The Exact Posterior Marginal Distributions
California State University, Fullerton（加州州立大学富勒顿分校）
在贝叶斯网络中，我们希望评估查询变量的边际概率，这可能取决于某些证据变量的观测值。在这里，我们首先提出了我们的“边界算法”，它将BN转换为有向链。对于多叉树，我们详细介绍了Peot & Shachter（1991）的“修正多叉树算法”，并在边界算法框架内进行了一些修改。最后，我们提出了我们的“无父多叉树方法”，它与边界算法相结合，将任何贝叶斯网络转换为多叉树，使我们的推理的复杂性与网络的大小无关，并与其证据和查询变量的数量呈线性关系。本文中的所有量都具有概率解释。
2014-11-23 cs.AI
Estimating Continuous Distributions in Bayesian Classifiers
当用贝叶斯网络对概率分布建模时，我们面临着如何处理连续变量的问题。大多数以前的工作要么解决了离散化的问题，或假设数据是由一个单一的高斯。在本文中，我们放弃了正态性假设，而是使用非参数密度估计的统计方法。对于一个朴素贝叶斯分类器，我们提出了各种自然和人工领域的实验结果，比较两种方法的密度估计：假设正态分布和建模每个条件分布与一个单一的高斯，并使用非参数核密度估计。我们观察到大量的减少在几个自然和人工数据集的错误，这表明核估计是一个有用的工具，学习贝叶斯模型。
2013-02-20 cs.AI cs.LG stat.ML
Mix-nets: Factored Mixtures of Gaussians in Bayesian Networks With Mixed Continuous And Discrete Variables
Carnegie Mellon University（卡内基梅隆大学）
最近开发的技术使得从低维连续空间中的数据快速学习精确的概率密度函数成为可能。特别是，混合高斯可以非常快地拟合数据使用加速EM算法，采用多分辨率kd树（摩尔，1999年）。在本文中，我们提出了一种贝叶斯网络，在该网络中，在域的变量的不同子集的高斯低维混合物被组合成一个连贯的联合概率模型在整个域。该网络还能够对离散变量和连续变量之间的复杂依赖关系进行建模，而不需要对连续变量进行离散化。我们提出了有效的启发式算法，从数据中自动学习这些网络，并进行比较实验，说明如何以及这些网络模型真实的科学数据和合成数据。我们还简要讨论了一些可能的改进网络，以及可能的应用。
2013-01-16 cs.AI cs.LG stat.ML
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
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
Prune Sampling: a MCMC inference technique for discrete and deterministic Bayesian networks
TNO（荷兰应用科学研究组织）；Utrecht University（乌得勒支大学）；University of Amsterdam（阿姆斯特丹大学）
本文介绍了马尔可夫链蒙特卡罗（MCMC）推理方法Prune Sampling，并对它在离散和确定性贝叶斯网络（BN）中的性能进行了分析。我们开发了一个程序，以获得性能的MCMC采样方法在无限的模拟时间的限制，从相对较短的模拟外推。这种方法被用来进行一项研究，以比较准确性，收敛速度和时间消耗的修剪采样与两个传统的MCMC采样方法：吉布斯和大都会采样。我们发现，修剪采样创建的马尔可夫链总是收敛到所需的后验分布，也为传统的吉布斯抽样失败的网络。除此之外，我们证明了修剪优于吉布斯抽样，至少对于某一类BN。不过，这个诱人的功能是有代价的。在Prune Sampling的第一个版本中，对于大BN，统一选择下一个迭代步骤的过程是相当耗时的。我们的结论是，修剪采样是所有类型的小型和中型BN的竞争力的方法，但（现在）标准方法仍然表现更好的所有类型的大型BN。
2019-08-17 cs.AI cs.LG stat.CO
Hybrid Bayesian Networks with Linear Deterministic Variables
University of Kansas（堪萨斯大学）；Virginia Military Institute（弗吉尼亚军事学院）
当一个混合贝叶斯网络的条件确定性变量具有连续的父节点时，连续变量的联合密度函数不存在。条件线性高斯分布可以处理连续变量具有多变量正态分布且离散变量没有连续父变量的情况。在本文中，所需的操作进行推理与条件确定性变量的混合贝叶斯网络的发展。这些方法允许在具有确定性变量的网络中进行推断，其中连续变量可以是非高斯的，并且它们的密度函数可以由截断指数的混合来近似。对网络中连续和离散节点的放置没有限制。
2012-07-04 cs.AI
A Constraint-Based Algorithm for the Structural Learning of Continuous-Time Bayesian Networks
University of Milan-Bicocca（米兰比可卡大学）；Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)（达勒莫勒人工智能研究所（IDSIA））
动态贝叶斯网络在文献中作为离散时间模型得到了很好的研究：然而，它们的连续时间扩展相对较少受到关注。在本文中，我们提出了第一个基于约束的算法学习连续时间贝叶斯网络的结构。我们讨论了不同的统计检验和我们的建议，以建立条件独立性的基本假设。此外，我们分析和讨论的计算复杂性的最佳和最坏的情况下，所提出的算法。最后，我们使用合成数据验证其性能，并将其与Nodelman等人（2003）的基于分数的结构学习算法进行比较，讨论其优势和局限性。我们发现后者在学习二进制变量的网络时更准确，而我们基于约束的方法在变量假设超过两个值时更准确。数值实验证实，分数为基础的和基于约束的算法是可比的计算时间。
2021-06-02 cs.AI cs.LG stat.ML
Recursive Bayesian Networks: Generalising and Unifying Probabilistic Context-Free Grammars and Dynamic Bayesian Networks
Digital and Cognitive Musicology Lab（数字与认知音乐学实验室）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
概率上下文无关文法（PCFG）和动态贝叶斯网络（DBN）是两种广泛使用的序列模型，它们具有互补的优势和局限性。虽然PCFG允许嵌套的分层依赖关系（树结构），但它们的潜在变量（非终结符）必须是离散的。相反，DBN允许连续的潜在变量，但依赖关系是严格顺序的（链结构）。因此，如果假设潜变量是连续的，并且还具有嵌套的分层依赖结构，则两者都不能应用。在本文中，我们提出了递归贝叶斯网络（RBN），它概括和统一PCFG和DBN，结合它们的优势，并包含两者作为特例。RBN定义了具有离散或连续潜在变量的树结构贝叶斯网络的联合分布。主要的挑战在于在可能的结构和连续变量的指数数量上执行联合推断。我们提供两种解决方案：1）对于任意RBN，我们将内部和外部概率从PCFG推广到混合离散-连续情况，这允许通过梯度下降对连续潜变量进行最大后验估计，同时对网络结构进行边缘化。2)对于高斯RBN，我们还推导出一个解析近似，允许鲁棒的参数优化和贝叶斯推理。RBN的能力和不同的应用程序上说明了两个例子：在合成数据的定量评估，我们展示和讨论的优势，RBN的分割和树诱导噪声序列，相比，变点检测和层次聚类。在音乐数据的应用程序中，我们从原始音符水平的层次音乐分析的未解决的问题，并比较我们的结果，专家注释。
2022-01-15 cs.AI cs.IR cs.LG
Bayesian Treatment of Incomplete Discrete Data applied to Mutual Information and Feature Selection
给定一对随机变量的联合机会，可以计算感兴趣的量，如互信息。未知机会的贝叶斯处理涉及从二阶先验分布和数据似然计算机会的后验分布。不完全数据的一种常见处理方法是假设可重复性并通过期望最大化（EM）算法确定机会。上述两种不同的方法是公认的，但通常是分开的。本文在Dirichlet先验的情况下将这两种方法结合起来，导出了机会和互信息的均值、众数和（协）方差的有效近似。此外，我们证明了单峰的后验分布，从而EM收敛到全局最大值的重要性质，在选定的框架。这些结果适用于增量学习和朴素贝叶斯分类的特征选择问题。基于互信息分布的快速滤波器被证明优于基于经验互信息的传统滤波器。
2003-06-24 cs.AI cs.LG math.PR
Expectation Propagation for Continuous Time Bayesian Networks
Stanford University（斯坦福大学）；UC Riverside（加州大学河滨分校）
连续时间贝叶斯网络（CTBN）描述了在连续时间内演化的具有多个状态的结构化随机过程。CTBN是一组变量上的有向（可能是循环的）依赖图，每个变量表示一个有限状态的连续时间马尔可夫过程，其转换模型是其父过程的函数。如前所述，CTBN中的精确推理是棘手的。我们解决问题的近似推理，允许一般查询的证据在连续的时间间隔和离散的时间点。我们展示了如何CTBN可以参数化的指数家庭，并使用这种洞察力来开发集群图中的消息传递方案，并允许我们应用期望传播CTBN。我们的聚类图中的聚类不包含单个时间点上的聚类变量的分布，而是包含整个持续时间内变量轨迹的分布。因此，与离散时间时态模型（如动态贝叶斯网络）不同，我们可以调整时间粒度，以便在不同条件下对不同变量进行推理。
2012-07-04 cs.AI
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
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
A Functional Model for Structure Learning and Parameter Estimation in Continuous Time Bayesian Network: An Application in Identifying Patterns of Multiple Chronic Conditions
UT Health San Antonio（德克萨斯大学圣安东尼奥健康科学中心）
贝叶斯网络是研究随机变量之间概率关系的强有力的统计模型，在疾病建模和预测中有着重要的应用。在这里，我们提出了一个连续时间贝叶斯网络的条件依赖关系，表示为泊松回归，模型的影响外生变量的网络的条件依赖关系。我们还提出了一种自适应正则化方法，具有直观的早期停止功能，基于密度的聚类，有效地学习所提出的网络的结构和参数。使用从退伍军人事务部的电子健康记录中提取的患有多种慢性疾病的患者数据集，我们将所提出的方法与文献中的一些现有方法进行了短期（提前一年）和长期（提前多年）预测的性能比较。所提出的方法提供了一个稀疏直观的表示多种慢性疾病之间的复杂的功能关系。它还提供了在给定任何先验条件组合的情况下随时间分析多个疾病轨迹的能力。
2021-07-14 cs.AI cs.LG stat.ML
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
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
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
A Bayesian Multiresolution Independence Test for Continuous Variables
Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种计算两个或两个以上连续变量条件独立的后验概率的方法。我们的方法的动机是观察到，连续数据的外观在各种分辨率下变化很大，在所涉及的变量之间产生非常不同的独立估计。因此，如果不在几个精心选择的分辨率上采集数据，就很难确定独立性。在我们的论文中，我们使用独立后验概率的精确计算来实现这一点，计算分析给出了一个解决方案。在检验分辨率时，我们假设离散化表参数为多项分布，先验为Dirichlet，后验采用贝叶斯积分计算。跨分辨率，我们使用一个搜索过程来近似概率的贝叶斯积分指数可能的直方图。我们的方法以一种简单的方式推广到任意数量的变量。该测试适用于贝叶斯网络学习算法，该算法使用独立性测试来推断网络结构，在包含连续，有序和分类变量的任何混合的域中。
2013-01-10 cs.AI cs.LG
Bayesian Flow Networks
NNAISENSE
本文提出贝叶斯流网络（BFNs），通过贝叶斯推断迭代更新独立分布与神经网络输出的相互依赖分布，无需前向过程即可实现生成建模，在图像和语言建模任务中取得有竞争力或领先的性能。
2025-03-11 cs.AI cs.LG
Stochastic Bayesian Optimization with Unknown Continuous Context Distribution via Kernel Density Estimation
Nanjing University（南京大学）
针对连续上下文变量分布未知的贝叶斯优化问题，提出基于核密度估计的两种算法，分别优化期望和分布鲁棒目标，实现亚线性贝叶斯累积遗憾。
2023-12-21 cs.AI cs.LG
Neural-Bayesian Structure Learning for Discrete Choice Modeling
本文提出Neural-BSL框架，耦合可微结构学习与离散选择估计，经首尔、伦敦数据评估，其预测性能与传统基准相当，可恢复行为一致的依赖结构，能有效分析干预措施的下游影响。
2026-08-27 cs.AI cs.LG
Your Absorbing Discrete Diffusion Secretly Models the Bayesian Posterior
Cooper Doyle
本文证明离散扩散语言模型的去噪器在温和假设下能实现精确贝叶斯后验，并提出一种无需额外训练的推理时蒙特卡洛集成方法，通过多次去噪聚合后验均值与方差，在 WikiText-2 上实现了校准的不确定性估计与计算-保真度权衡。
2025-07-13 cs.AI cs.CL cs.LG
Information-Theoretic Multi-Objective Bayesian Optimization with Continuous Approximations
Washington State University（华盛顿州立大学）
许多现实世界的应用程序涉及使用连续函数近似的多个目标的黑盒优化，权衡评估的准确性和资源成本。例如，在火箭发射研究中，我们需要找到使用连续保真度模拟器（例如，改变容差参数以折衷仿真时间和精度）用于设计评估。目标是通过最小化评估成本来近似最优帕累托集。在本文中，我们提出了一种新的方法称为信息理论的多目标连续近似贝叶斯优化（iMOCA）}来解决这个问题。其核心思想是选择输入序列和函数逼近的多个目标，最大化的信息增益每单位成本的最优帕累托前沿。我们在不同的合成和真实世界的基准测试的实验表明，iMOCA显着提高了现有的单保真度的方法。
2020-11-23 cs.AI cs.LG stat.ML
Bayesian Optimization for Categorical and Category-Specific Continuous Inputs
Applied Artificial Intelligence Institute（应用人工智能研究院）；Deakin University（迪肯大学）
许多真实世界的函数都是在分类和特定于分类的连续变量上定义的，因此无法通过传统的贝叶斯优化（BO）方法进行优化。为了优化这些功能，我们提出了一种新的方法，制定了一个多臂的强盗问题，其中每个类别对应于一个手臂，其奖励分布集中在连续变量的目标函数的最优值。我们的目标是确定最好的手臂和相应的连续函数的最大化同时进行。我们的算法使用汤普森采样方案，有助于在一个统一的框架中连接多臂强盗和BO。我们将我们的方法扩展到批处理BO，以便在多个资源可用时进行并行优化。我们从理论上分析了我们的方法的收敛性，并证明了次线性遗憾界。我们进行了各种实验：优化几个基准函数，神经网络的超参数调整，以及自动选择最佳机器学习模型及其最佳超参数（也称为自动机器学习）。与其他方法的比较表明，我们所提出的方法的有效性。
2019-11-28 cs.AI cs.LG stat.ML
Discrete-Continuous Smoothing and Mapping
Massachusetts Institute of Technology (MIT)（麻省理工学院）
我们描述了一个一般的方法，最大后验概率（MAP）的推理在一类离散连续的因素图中经常遇到的机器人应用。虽然有公开可用的工具，提供灵活和易于使用的接口，用于指定和解决推理问题制定的离散或连续的图形模型，目前，没有类似的通用工具存在，使相同的功能，为混合离散连续的问题。我们的目标是解决这个问题。特别是，我们提供了一个库，DC-SAM，扩展现有的工具定义的因素图的设置的离散连续模型的推理问题。我们的工作的一个关键贡献是一个新的求解器，有效地恢复近似解离散连续推理问题。我们的方法的关键见解是，虽然连续和离散状态空间的联合推理通常很难，但许多常见的离散-连续问题可以自然地分为“离散部分”和“连续部分”，可以单独轻松解决。利用这种结构，我们以交替的方式优化离散和连续变量。因此，我们提出的工作可以直接表示和近似推理的离散连续图形模型。我们还提供了一种方法来近似离散和连续变量估计的不确定性。我们证明了我们的方法的多功能性，通过其应用到不同的机器人感知应用程序，包括强大的姿态图优化，基于对象的映射和定位。
2022-11-17 cs.AI cs.LG cs.RO
Wasserstein Distributionally Robust Bayesian Optimization with Continuous Context
ETH Zürich（苏黎世联邦理工学院）；inspire AG（inspire AG公司）
针对上下文分布不确定下的黑箱优化，提出一种Wasserstein分布鲁棒贝叶斯优化算法，支持连续上下文并保持计算可行性，理论证明次线性遗憾界，实验验证其有效性与实用性。
2025-03-26 cs.AI cs.LG stat.ML
Ensemble Distributionally Robust Bayesian Optimisation
Faculty of Computer Science HSE University（计算机科学学院 高等经济大学）
本文提出一种计算高效的新算法，用于处理分布不确定性下的零阶优化问题，理论分析显示其具有亚线性 regrets，且实验结果与理论保证一致。
2026-11-09 cs.AI cs.LG stat.ML
Bayesian Optimization over Hybrid Spaces
Washington State University（华盛顿州立大学）
我们考虑通过昂贵的黑盒函数评估优化混合结构（离散和连续输入变量的混合）的问题。这个问题出现在许多实际应用中。例如，在通过实验室实验进行的材料设计优化中，离散和连续变量分别对应于原始元素的存在/不存在及其相对浓度。关键的挑战是准确地建模离散和连续变量之间的复杂相互作用。在本文中，我们提出了一种新的方法称为混合贝叶斯优化（HyBO），利用扩散核，这是自然定义的连续和离散变量。我们开发了一个原则性的方法，通过利用添加剂的内核配方，它允许添加剂的所有订单的相互作用，在一个易于处理的方式在混合空间中构建扩散内核。从理论上分析了可加性混合核函数的建模强度，证明了它具有普适逼近性质。我们对合成和六个不同的现实世界基准的实验表明，HyBO显着优于国家的最先进的方法。
2021-06-08 cs.AI cs.LG math.OC
Gaussian Process Planning with Lipschitz Continuous Reward Functions: Towards Unifying Bayesian Optimization, Active Learning, and Beyond
National University of Singapore（新加坡国立大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种新的非近视自适应高斯过程规划（GPP）框架，赋予了一般类的Lipschitz连续奖励函数，可以统一一些主动学习/传感和贝叶斯优化标准，并提供从业者一些灵活性，以指定他们所需的选择，定义新的任务/问题。特别是，它利用了一个原则性的贝叶斯顺序决策问题的框架，共同和自然优化的勘探开发权衡。一般来说，由于候选观测的不可数集合，所得到的诱导GPP策略不能精确地导出。因此，我们在这里的工作的一个关键贡献在于利用Lipschitz连续性的奖励函数来解决非近视自适应ε-最优GPP（ε-GPP）的政策。为了实时规划，我们进一步提出了一个渐进最优的，分支和边界的任何时候都有性能保证的ε-GPP的变体。我们实证证明了我们的ε-GPP政策的有效性，它的任何时候都在贝叶斯优化和能量收集任务的变体。
2015-11-21 cs.AI cs.LG cs.RO
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
Bayesian Algorithms Learn to Stabilize Unknown Continuous-Time Systems
线性动力系统是一类基于学习控制的不确定动态对象的典型模型。该设置由一个随机微分方程，捕捉的状态演变的植物understudy，而真正的动态矩阵是未知的，需要从状态轨迹的观测数据学习。一个重要的问题是确保系统稳定，并尽快排除由于模型不确定性而导致的不稳定控制行为。目前还没有一种可靠的稳定化程序，可以有效地从不稳定的数据中学习，在有限的时间内稳定系统。在这项工作中，我们提出了一种新的贝叶斯学习算法，稳定未知的连续时间随机线性系统。所提出的算法是灵活的，并暴露出有效的稳定性能后，一个非常短的时间内与系统的相互作用。
2021-12-30 cs.AI cs.LG cs.SY
