面向大型不精确 noisy-or 网络的变分混合与变换
机器学习
2016-05-23 v1 人工智能
机器学习
摘要
变分推断为贝叶斯网络中计算上难以处理的后验分布提供近似。noisy-or贝叶斯网络的一个突出医学应用是在给定观察症状的情况下推断潜在疾病。先前的研究集中于使用变分变换来近似少数复杂病理案例。我们的目标是通过使用变分变换作为一种新颖混合推断的一部分，以在网络规模上提供可靠且实时的诊断。我们提出了一种混合推断，允许在无需疾病后验或先验的情况下估计变分参数，使推断更快且其大部分计算可重用。此外，我们提出了一种变换排序算法，该算法对网络先验概率中的大方差非常稳定，这是贝叶斯网络医学应用中出现的常见问题。在实验中，我们在一个大型真实医学网络上进行了比较研究，并在更大的（36,000倍）合成网络上进行了可扩展性研究。
引用
@article{arxiv.1605.06181,
title = {Variational hybridization and transformation for large inaccurate noisy-or networks},
author = {Yusheng Xie and Nan Du and Wei Fan and Jing Zhai and Weicheng Zhu},
journal= {arXiv preprint arXiv:1605.06181},
year = {2016}
}