★ 2
研究将狄利克雷过程混合引入半参数贝叶斯网络做条件密度估计
论文针对半参数贝叶斯网络（SPBN）中核密度估计带来的推理成本与误差问题，提出基于贝叶斯非参数狄利克雷过程混合（DPM）的条件概率分布建模方法 DPM-SPBN。该方法通过数据自适应聚类获得更紧凑表示，在合成与真实数据上密度估计误差低于现有连续变量贝叶斯网络，并扩展了开源 PyBNesian 包。
arXiv cs.LG5 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文针对半参数贝叶斯网络（SPBN）中核密度估计带来的推理成本与误差问题，提出基于贝叶斯非参数狄利克雷过程混合（DPM）的条件概率分布建模方法 DPM-SPBN。该方法通过数据自适应聚类获得更紧凑表示，在合成与真实数据上密度估计误差低于现有连续变量贝叶斯网络，并扩展了开源 PyBNesian 包。
arXiv 论文提出半线性高斯贝叶斯网络（SLGBN），在保留高斯条件分布的同时引入非线性条件均值函数，用广义可加模型与惩罚 B 样条估计参数。该方法统一了线性与非线性高斯条件模型，并给出贪心爬山结构学习算法。实验显示在存在非线性高斯关系时，SLGBN 的拟合优度与结构恢复能力优于半参数贝叶斯网络…