具有反馈的有向图模型的辨识性假设与算法
机器学习
2016-07-07 v2 机器学习
摘要
有向图模型为多元数据的因果或方向关系建模提供了有用框架。先前工作主要聚焦于有向无环图(DAG)模型的辨识性与搜索算法。在许多应用中，反馈自然出现且允许环的有向图模型发生。本文我们解决满足马尔可夫假设的一般有向循环图(DCG)模型的辨识性问题。特别地，除了已经为循环模型引入的忠实性假设外，我们引入两个新辨识性假设，一个基于选择具有最少边的模型，另一个基于选择蕴含最大数量d-分离规则的DCG模型。我们提供比较这些假设的理论结果，表明：(1)选择具有最大数量d-分离规则的模型严格弱于忠实性假设；(2)与DAG模型不同，选择具有最少边的模型不一定导致比忠实性假设更温和的假设。我们还提供两个新原理与极小性假设之间的联系。我们利用辨识性假设为小规模DCG模型开发搜索算法。我们的模拟研究支持理论结果，表明基于两个新原理的算法通常在选择DCG模型真实骨架方面优于基于忠实性假设的算法。
引用
@article{arxiv.1602.04418,
title = {Identifiability Assumptions and Algorithm for Directed Graphical Models with Feedback},
author = {Gunwoong Park and Garvesh Raskutti},
journal= {arXiv preprint arXiv:1602.04418},
year = {2016}
}
备注
28 pages, 17 figures