基于生成流网络的贝叶斯结构学习
机器学习
2022-06-30 v2 机器学习
摘要
在贝叶斯结构学习中，我们关注从数据推断贝叶斯网络有向无环图(DAG)结构上的分布。由于样本空间组合巨大，定义这样的分布非常困难，常需基于 MCMC 的近似。近来，一类称为生成流网络(GFlowNets)的新型概率模型被提出，作为离散与复合对象(如图)生成建模的通用框架。本工作中，我们提出用 GFlowNet 替代 MCMC 来近似给定观测数据集下贝叶斯网络结构的后验分布。从该近似分布生成样本 DAG 被视为序贯决策问题，其中图每次构建一条边，基于学习到的转移概率。通过在模拟与真实数据上的评估，我们表明所提方法 DAG-GFlowNet 能准确近似 DAG 上的后验，且优于基于 MCMC 或变分推断的其他方法。
引用
@article{arxiv.2202.13903,
title = {Bayesian Structure Learning with Generative Flow Networks},
author = {Tristan Deleu and António Góis and Chris Emezue and Mansi Rankawat and Simon Lacoste-Julien and Stefan Bauer and Yoshua Bengio},
journal= {arXiv preprint arXiv:2202.13903},
year = {2022}
}