结合高斯过程与马蹄先验的半参数专家贝叶斯网络学习
Semi-parametric Expert Bayesian Network Learning with Gaussian Processes and Horseshoe Priors
AI总结：
该研究提出带线性约束的半参数专家贝叶斯网络学习模型，结合高斯过程与差异化尺度马蹄先验引入少量非线性，可生成多样适配用户输入的图，在合成及UCI肝病数据集上性能优于现有半参数贝叶斯网络模型。
摘要：
本文提出一种在专家贝叶斯网络（SEBN）中学习半参数关系的模型，该模型带有线性参数与结构约束。我们采用高斯过程和马蹄先验引入最少的非线性成分。为优先修改专家图而非添加新边，我们对差异化的马蹄尺度进行优化。在真实世界真值未知的数据集上，我们生成多样化的图以适配用户输入，解决可识别性问题并提升可解释性。在合成数据集与UCI Liver Disorders数据集上，使用结构汉明距离、测试似然等指标的评估表明，我们的模型性能优于当前最优的半参数贝叶斯网络模型。
英文摘要：
This paper proposes a model learning Semi-parametric relationships in an Expert Bayesian Network (SEBN) with linear parameter and structure constraints. We use Gaussian Processes and a Horseshoe prior to introduce minimal nonlinear components. To prioritize modifying the expert graph over adding new edges, we optimize differential Horseshoe scales. In real-world datasets with unknown truth, we generate diverse graphs to accommodate user input, addressing identifiability issues and enhancing interpretability. Evaluation on synthetic and UCI Liver Disorders datasets, using metrics like structural Hamming Distance and test likelihood, demonstrates our models outperform state-of-the-art semi-parametric Bayesian Network model.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
