基于Markov毯分解的抽样近似推理算法

现有的贝叶斯推理算法不同程度地存在推理精度低或推理时间长的问题。文中提出一种基于Markov毯分解的抽样近似推理算法(LSIA-MB)。LSIA-MB算法利用HITON_MB算法寻找查询结点的Markov毯, 进而利用动态规划方法学习边的后验概率, 确定变量之间的因果关系, 获得一个关于查询结点的Markov局部网络模型。最后, 在Markov局部模型上执行Gibbs Sampling。通过对Markov局部模型的抽样, 极大降低推理的计算维数。同时, 由于Markov局部网络模型包含与目标结点相关的完整信息, 从而保证局部抽样推理的精度。算法分析和在标准Alarm网的实验结果均表明, LSIA-MB算法降低推理时间, 且提高推理精度。LSIA-MB算法在上海股票交易网络上的推理预测结果显示出较强的实用性。     

动态贝叶斯网络一种自适应的局部抽样粒子滤波算法*

针对传统自适应粒子滤波（APF）对于动态贝叶斯网络推理中高维的问题,提出动态贝叶斯网络一种自适应的局部抽样粒子滤波算法(LSAPF)。LSAPF算法将BK算法分团的思想引入到粒子抽样中,利用策略相关性和局部模型的弱交互性为指导对动态贝叶斯网络进行分割,以降低抽样规模和抽样的状态空间;进而对局部模型用自适应粒子滤波算法进行近似推理,并以粒子的因式积形式近似系统的状态信度。实验结果表明,该算法能很好地兼顾推理精度和推理时间,其性能优于普通PF算法;与APF算法相比,在不增加推理误差的情况下推理时间也有较大的提高。     

基于局部解释能力的贝叶斯网络隐藏变量学习

目前,在贝叶斯网络中插入隐藏变量的主要目的是简化贝叶斯网络结构,从而提高推理效率,但隐藏变量使用不当会降低推理的可靠性.本文以提高贝叶斯网络的局部最优解释推理能力为标准插入隐藏变量,并将最优解释、星形结构和Gibbs抽样相结合来确定隐藏变量的位置、取值和维数,因此,通过隐藏变量的引入,在能够提高推理效率的同时,还可改进推理的可靠性.     

概率图模型推理方法的研究进展

近年来概率图模型已成为不确定性推理的研究热点,在人工智能、机器学习与计算机视觉等领域有广阔的应用前景.根据网络结构与查询问题类型的不同,系统地综述了概率图模型的推理算法.首先讨论了贝叶斯网络与马尔可夫网络中解决概率查询问题的精确推理算法与近似推理算法,其中主要介绍精确推理中的VE算法、递归约束算法和团树算法,以及近似推理中的变分近似推理和抽样近似推理算法,并给出了解决MAP查询问题的常用推理算法;然后分别针对混合网络的连续与混合情况阐述其推理算法,并分析了暂态网络的精确推理、近似推理以及混合情况下的推理;最后指出了概率图模型推理方法未来的研究方向.     

网页自动分类不确定性问题的贝叶斯网络解法

针对网页自动分类中存在的类边界模糊、语料不均匀等引起的分类不确定性问题,提出了贝叶斯网络自动分类融合模型和融合算法,该模型和算法基于网页上多种信息进行融合,并采用不同的与处理方法分别对多种信息进行处理,将处理后的信息输入到贝叶斯网络融合中心进行融合推理,得到最终的分类结果。同时,为了降低贝叶斯网络推理时间复杂度,提出了改进的贝叶斯网络图推理算法。实验结果表明,改进后的融合模型和融合算法能有效解决网页自动分类中的不确定性问题,并能提高网页自动分类的准确率和查全率。     

一种基于小世界网络和贝叶斯网络的混合推荐模型

小世界网络在聚类应用中具有良好的性质,贝叶斯网络在概率推理中也得到了广泛的研究.将小世界网络和贝叶斯网络结合起来,形成了一种混合推荐模型.该混合模型由两层组成,分别是用户层和商品层.其中小世界网络用于描述用户层内用户-用户结点间的关系,贝叶斯网络用于描述商品层内商品-商品结点,以及层间用户-商品结点间的偏好关系.对小世界网络的用户聚类方法、贝叶斯网络结构和参数学习方法、以及两层混合模型的推荐算法进行了描述,实验表明,该模型能够很好地表示用户-用户、商品-商品、以及用户-商品间的关系,推荐结果具有良好的准确度.     

基于贝叶斯网络的健壮社团检测

健壮社团是复杂网络社团结构中稳定部分,健壮社团发现是非常困难的;提出了一种基于贝叶斯网络推理的健壮社团发现算法,把健壮社团发现问题当做推理问题,构造一个贝叶斯网络,根据结点的度来设置贝叶斯网络相关参数,然后将某些内部联系特别紧密的网络结点设为证据结点,在贝叶斯网络中进行信度传播,得到在已知证据的情况下其余结点属于该健壮社团的概率,最后得到复杂网络中的所有健壮社团;对足球俱乐部网络(115个结点)和随机网络(128个结点)的测试结果表明所提方法能有效地检测出复杂网络中存在的健壮社团,具有较好的应用价值。     

引入分割团的BK推理算法及其在Robocup中的应用

BK算法是动态贝叶斯网络(DBNs)的一种主要近似推理方法,但对网络的人工分割会引入较大误差.首先通过将决策结点转换成随机结点,给出基于DBNs的Roboeup协作问题的一种建模方法;然后,给出一种引入分割团的新BK算法,以减小网络分割产生的误差,并对Robocup中的两个球员配合射门问题进行推理.引入分割团的BK算法和1.5片联合树推理算法的比较实验结果表明,引入分割团使BK算法在精度损失较小的情况下,时间性能有显著提高.     

面向个性化推荐的两层混合图模型

小世界网络在聚类应用中具有良好的性质,贝叶斯网络在概率推理中也得到了广泛的研究.将小世界网络和贝叶斯网络结合起来,形成一种混合图模型,并将该模型用于个性化推荐系统中.该混合图模型由两层组成,分别是用户层和商品层.其中小世界网络用于描述用户层内用户-用户结点间的关系,贝叶斯网络用于描述商品层内商品-商品结点以及层间用户-商品结点间的偏好关系.对小世界网络的用户聚类方法、贝叶斯网络结构和参数学习方法以及两层图模型的推荐算法进行描述,实验分析表明,该模型能够很好地表示用户-用户、商品-商品以及用户-商品间的关系,推荐结果具有良好的准确度.     

动态贝叶斯网络的一种基于BK的粒子滤波推理算法

针对传统粒子滤波(PF)对于动态贝叶斯网络推理中计算的高维问题,提出动态贝叶斯网络的一种基于BK的粒子滤波推理算法(BKPF).BKPF算法融合PF和BK的优点,以弱相关性为指导对DBNs进行分团来降低问题求解的规模,从每个团的状态空间获取粒子并以粒子的因式积形式近似表示系统的状态信度,进而对DBNs的状态空间进行重采样和更新.仿真实验表明,与PF相比,该算法显著提高了计算效率,且推理精度也有一定的提高.     

Efficient inferencing for sigmoid Bayesian networks by reducing sampling space

A sigmoid Bayesian network is a Bayesian network in which a conditional probability is a sigmoid function of the weights of relevant arcs. Its application domain includes that of Boltzmann machine as well as traditional decision problems. In this paper we show that the node reduction method that is an inferencing algorithm for general Bayesian networks can also be used on sigmoid Bayesian networks, and we propose a hybrid inferencing method combining the node reduction and Gibbs sampling. The time efficiency of sampling after node reduction is demonstrated through experiments. The results of this paper bring sigmoid Bayesian networks closer to large scale applications.     

基于贝叶斯网络的跳频序列多步预测*

根据跳频频率序列具有混沌特性,在相空间重构理论基础上提出一种用于跳频频率序列预测的贝叶斯网络模型。该模型将重构后的整个相空间作为先验数据信息,进而通过学习贝叶斯网络并利用贝叶斯网络推理算法达到对跳频频率多步预测的目的。仿真结果表明该方法具有良好的多步预测能力,并能有效地克服过拟合现象。     

具有丢失数据的贝叶斯网络结构学习研究

目前主要基于EM算法和打分-搜索方法进行具有丢失数据的贝叶斯网络结构学习,算法效率较低,而且易于陷入局部最优结构.针对这些问题,建立了一种新的具有丢失数据的贝叶斯网络结构学习方法.首先随机初始化未观察到的数据,得到完整的数据集,并利用完整数据集建立最大似然树作为初始贝叶斯网络结构,然后进行迭代学习.在每一次迭代中,结合贝叶斯网络结构和Gibbs sampling修正未观察到的数据,在新的完整数据集的基础上,基于变量之间的基本依赖关系和依赖分析思想调整贝叶斯网络结构,直到结构趋于稳定.该方法既解决了标准Gi     

传感器网络中基于域的聚集算法

聚集运算是传感器网络查询处理中最重要的一个运算。提出了一种基于域聚簇的网内聚集算法PIA。在PIA中,首先结合传感器网络的节点特性和位置信息,提出了一种基于域的分布式数据汇聚模型,把传感器网络按域划分来构建连通核,查询只需在连通核中寻径,因而能明显降低寻径时间复杂度并且具有更好的分布性。在PIA中,核心节点把当前路径中的Max和Min值传送到节点上,如果节点的值不符合要求就放弃本次传送,因而能够明显减少数据的传送次数,从而达到节省能量的目的。理论分析和实验表明该算法较传统算法在节省能量上有较好的表现。     

传感器网络中节点个数约束查询处理算法

对传感器网络中一类新查询--节点个数约束查询,提出能量有效的查询处理算法.算法主要由查询下发和结果回收两部分构成.查询下发算法首先根据节点个数约束查询的特点提出相关节点选择以及基于Steiner树的查询下发算法.然后对该下发算法以及一种基于洪泛的能量有效查询下发算法的能量消耗进行分析,并对比两种算法的能量消耗从中选择适当的下发算法.结果回收算法提出直接和间接两种结果回收方式,并给出两种方式在进行结果回收时能够节省能量的条件.仿真实验表明,提出的能量有效节点个数约束查询处理算法能够在满足用户查询精度的同时,使其能量消耗低于其他查询处理算法.     

Some node ordering methods for the K2 algorithm

Inferring Bayesian network structure from data is a challenging issue, and many researchers have been working on this problem. The K2 is a well‐known order‐dependent algorithm to learn Bayesian network. The result of the algorithm is not robust since it achieves different network structure if node orderings are permuted. Consequently, choosing suitable sequential node ordering for the input of the K2 algorithm is a challenging task. In this work, some deterministic methods for selecting a suitable sequential node ordering are introduced. The effectiveness of these methods benchmarked through the Asia, Alarm, Car, and Insurance networks. The results indicate that the methods based on the concept of mutual information and entropy are suitable for finding a sequential node ordering and considerably improves the precision of network inference. The source code and selected data sets are available on http://profiles.bs.ipm.ir/softwares/ordering/ .     

Detecting topic-level influencers in large-scale scientific networks

Scientific networks play an increasingly important role in facilitating knowledge and technique diffusion. In such networks, highly influential nodes (scientists or literatures) are prone to stimulate other researchers in the generation of innovative ideas. The objective of this study is to detect topic-level influencers from a large collection of links between nodes and textual contents in scientific networks. For this purpose, we propose a sparse link topic model (SLTM) that introduces a “Spike and Slab” prior to achieve sparsity in node-topic distribution. Compared with previous approaches, our model assumes that a node usually focuses on several salient topics instead of a wide range of topics, which is useful in learning topic-level influencers in scientific networks. In addition, a collapsed variational Bayesian (CVB) inference algorithm is designed for large-scale applications. Our experiments are conducted on a large scientific collaboration network. The results reveal that the proposed model significantly improves the precision of topic-level detection. Our analysis also reflects that SLTM can explicitly model the sparse topical structure of each node in the network.

     

基于节点块序列约束的局部贝叶斯网络结构搜索算法

针对K2算法过度依赖节点序和节点序搜索算法评价节点序效率较低的问题, 提出一种基于节点块序列约束的局部贝叶斯网络结构搜索算法, 该算法首先通过评分定向构建定向支撑树结构, 在此基础上构建节点块序列, 然后利用节点块序列确定每个节点的潜在父节点集, 通过搜索每个节点的父节点集构建网络结构, 最后对该结构进行非法结构修正得到最优贝叶斯网络结构.利用标准网络将算法与几种不同类型的改进算法进行对比分析, 验证该算法的有效性.