核心概念
本文提出了一種新的演算法,用於學習稀疏情境特定系統的圖形結構,透過結合基於順序的馬可夫鏈蒙地卡羅搜索和新的情境特定稀疏性假設,實現可擴展的學習,並在合成數據和實際案例中展現出良好的準確性和可擴展性。
摘要
針對稀疏情境特定系統的可擴展結構學習
這篇研究論文探討了針對稀疏情境特定系統的結構學習問題,特別關注於學習能夠捕捉數據生成分佈中情境特定條件獨立關係的緊湊圖形表示。
開發一種可擴展的演算法,用於學習具有大量變數的稀疏情境特定模型。
克服現有基於優化和基於約束的方法在可擴展性和準確性方面的限制。
結合基於順序的馬可夫鏈蒙地卡羅 (MCMC) 搜索和新的情境特定稀疏性假設。
利用 MCMC 採樣估計變數排序的完整後驗分佈。
透過解決 Alon 和 Balogh (2023) 提出的組合問題的特例來實現採樣器。
引入一種新的情境特定稀疏性假設,允許對具有最佳變數排序的所有模型進行有效的精確優化。