基于证据下界的贝叶斯网络潜混杂因子的发现与密度估计
机器学习
2022-08-23 v4
摘要
发现并参数化潜混杂因子分别是因果结构学习与密度估计中重要且具挑战性的问题。本文同时关注潜混杂因子的发现及其分布的估计。该任务所需的解决方案来自统计学与机器学习的不同领域。我们结合变分贝叶斯方法、期望最大化、爬山搜索,以及在因果不充分性假设下的结构学习等要素。我们提出两种学习策略:一种最大化模型选择精度,另一种以精度的轻微下降换取计算效率的提升。前者适用于小型网络,后者适用于中等规模网络。两种学习策略相对于现有方案均表现良好。
引用
@article{arxiv.2206.05490,
title = {Discovery and density estimation of latent confounders in Bayesian networks with evidence lower bound},
author = {Kiattikun Chobtham and Anthony C. Constantinou},
journal= {arXiv preprint arXiv:2206.05490},
year = {2022}
}