cegpy：基于 Python 的链事件图建模工具
统计方法学
2022-11-22 v1 统计计算
机器学习
摘要
链事件图（CEGs）是近期的一类概率图模型，它推广了流行的贝叶斯网络（BNs）族。关键在于，与 BNs 不同，CEG 能够在其图和统计模型中嵌入过程所展现的非对称性。这些非对称性可能存在于条件独立关系中，或存在于图及其底层事件空间的结构中。结构非对称性在许多领域中很常见，并且可能自然发生（例如被告与检察官对事件的描述）或经设计产生（例如公共卫生干预）。然而，目前尚无软件能让用户利用 CEG 模型族的理论进展来建模具有结构非对称性的过程。本文介绍 cegpy，首个使用 CEGs 学习和分析复杂过程的 Python 包。cegpy 的关键特征是它是任意编程语言中首个能够建模具有对称以及非对称结构过程的 CEG 包。cegpy 包含针对 CEGs 的贝叶斯模型选择和概率传播算法的实现。我们使用一个结构非对称的数据集说明了 cegpy 的功能。
引用
@article{arxiv.2211.11366,
title = {cegpy: Modelling with Chain Event Graphs in Python},
author = {Gareth Walley and Aditi Shenvi and Peter Strong and Katarzyna Kobalczyk},
journal= {arXiv preprint arXiv:2211.11366},
year = {2022}
}