从阶段树构造链事件图
机器学习
2021-12-17 v2 机器学习
摘要
链事件图（CEG）是近期的一类概率图模型——贝叶斯网络的推广——在其图拓扑中显式表示结构零、结构缺失值和情境特定条件独立性。CEG 由事件树经一系列变换构造而来，始于对事件树顶点着色以识别单步转移对称性。这一着色事件树，亦称阶段树，是该类模型所用学习算法的输出。令人惊讶的是，迄今尚无通用算法能自动将任意阶段树变换为 CEG 表示。在本文中，我们为这一变换提供了一种简单的迭代逆向算法。此外，我们证明将阶段树变换为 CEG 不会丢失信息。最后，我们证明在最优停止准则下，我们的算法比 Silander 与 Leong（2013）所提出的特例推广更高效。我们还提供了使用该算法从任意阶段树获得 CEG 的 Python 代码，以及添加带抽样零边功能的能力。
引用
@article{arxiv.2006.15857,
title = {Constructing a Chain Event Graph from a Staged Tree},
author = {Aditi Shenvi and Jim Q. Smith},
journal= {arXiv preprint arXiv:2006.15857},
year = {2021}
}