Bayesian network
PulseAugur coverage of Bayesian network — every cluster mentioning Bayesian network across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
AI Agent 复兴经典计算机科学概念
AI Agent 并非全新事物，它们正在复兴若干基础计算机科学概念。这些概念包括符号人工智能、专家系统和知识图谱，它们在早期人工智能研究中曾占据重要地位。此外，AI Agent 还利用搜索算法、强化学习和贝叶斯网络的进步来解决复杂问题和改进系统设计。
-
新方法阐明概率逻辑编程中的因果关系
研究人员开发了一种方法，用于确定概率逻辑程序的因果顺序是否可从其概率信息中唯一识别。通过利用无环概率逻辑程序与贝叶斯网络之间的联系，该研究概述了建立唯一因果顺序的条件。该方法还通过规定的因果对称性整合了来自关系结构的约束，从而能够验证学习程序的明确定义的干预语义。
-
新统计概念“过渡性条件独立性”被引入
本文介绍了一个名为过渡性条件独立性的新概念，旨在处理非随机变量，如参数或处理。与传统的条件独立性不同，这种新关系不需要对非随机输入进行概率分布。它由马尔可夫核的特定因子分解定义，并且是不对称的，这是其预期含义所必需的属性。研究表明，该概念可应用于各种统计问题，包括辅助性、充分性、完备性、不变预测和贝叶斯网络。
-
新的贝叶斯网络方法改进癌症预后建模
一篇新发表在arXiv上的研究论文提出了一种名为“生存感知贝叶斯网络”的方法，以改进临床预后建模。该方法解决了生存结局二值化的局限性，这种常见做法可能导致审查患者被排除以及时间信息的丢失。通过用Cox偏对数似然替换二值评分函数，“生存感知贝叶斯网络”可以识别二值化方法所遗漏的预后特征，这在涉及头颈癌、乳腺癌、结直肠癌和肾癌的研究中得到了证明。
-
LLM增强的贝叶斯网络提升少样本表格生成能力
研究人员开发了LAB-Tab，一个用于在少样本场景下生成表格数据的新框架。该方法采用大型语言模型（LLM）来增强贝叶斯网络（BN），通过基于源数据提出新边。然后，Proximal Policy Optimization（PPO）策略会优化这些边，使其更好地符合目标域分布和下游效用。在利用美国人口普查局数据进行的实验中，LAB-Tab在目标数据有限的情况下，在表格生成方面表现出卓越的性能。
-
新AI流程可自动从语音模式诊断阿尔茨海默病
研究人员开发了一种自动化流程，可从言语流畅性测试的音频记录中识别阿尔茨海默病的标记。该系统使用基础模型提取临床变量并构建贝叶斯网络，然后推断语言标记之间的定性关系。该方法成功地重建了已知的临床知识并发现了新的联系，为阿尔茨海默病诊断提供了一种更具可扩展性的方法。
-
新的k阶松弛方法增强了马尔可夫毯的发现
研究人员引入了一种新颖的方法来发现马尔可夫毯（MB），通过松弛忠实性假设，该假设通常会被XOR关系等高阶依赖性所违反。这种新方法，称为k阶松弛，可以捕捉k+2个变量之间的奇偶校验类型关系。已开发出一种概念验证算法，即k阶马尔可夫毯（kOMB），以利用这种松弛来发现MB。实证结果表明，即使在面临忠实性真实或经验性违反的情况下，kOMB也能有效地恢复MB。
-
新框架增强LLM代理控制和不确定性监控 · 跟踪3个来源
研究人员正在开发新的方法来实时控制和监控大型语言模型（LLM）代理的行为。一种名为ARDena的方法，通过结构化提示使用场景驱动的控制来修改代理行为，而无需更改底层模型，并在多模态具身代理中显示出有效性。另一种方法，Multi-Head Latent Control，直接从LLM的潜在生成过程中推断控制信号，从而实现模型之间的有效路由并改进工具使用等任务的决策。此外，还提出了一个使用贝叶斯网络的框架，通过将token级别的对数概率转换…
-
新的TCSDG算法通过合成数据提升农业机器学习性能
研究人员开发了一种新的任务条件合成数据生成（TCSDG）算法，以提高农业预测任务中机器学习的性能。TCSDG将贝叶斯网络生成器与基于Transformer的表格基础模型TabICL配对，以创建逼真的合成数据。在跨多个地点和数据分数的作物产量预测和作物类型分类上进行测试时，TCSDG生成的数据在89%的分类实验和74%的产量预测实验中提高了机器学习性能，优于基准方法。
-
新的贝叶斯网络分解提高了推理效率
研究人员开发了一个新的贝叶斯网络分解框架，利用有向凸子图和最小d-分解树。该方法通过表示低维、可分离子模型的联合分布，为传统的连接树构造提供了一种替代方案。该框架显著降低了计算成本并促进了并行处理，实验结果表明与现有方法相比，在效率方面有了显著提高，并且在低维查询方面保持了推理精度。
-
新的贝叶斯网络分解提高了推理效率
研究人员引入了一个新的贝叶斯网络分解框架，利用有向凸子图和最小d-分解树。该方法通过低维、可分离的子模型表示联合分布，为传统的连接树构造提供了一种原则性的替代方案。该框架显著降低了计算成本并实现了并行处理，实验表明其效率和准确性优于现有的连接树方法，尤其是在低维查询方面。
-
信息格学习被构建为概率图模型结构学习
一篇新论文将信息格学习（ILL）引入作为概率图模型（PGM）结构学习的一种方法。ILL通过将信号投影到抽象层次结构上，来学习可解释的规则。当应用于概率质量函数时，ILL学习到的规则可以被解释为因子图中的约束，这与最大熵模型密切相关。该框架为推理和混合符号-概率学习提供了新的途径。
-
新系列文章认为贝叶斯、马尔可夫模型在意识问题上存在不足
一篇题为“第三层滞后：Sean Moran、贝叶斯网络、马尔可夫网络和逻辑规则无法让我们做什么”的新系列文章，探讨了传统人工智能概率模型（如贝叶斯网络和马尔可夫网络）的局限性。作者认为，这些依赖于固定规则和外部观察者视角的模型不足以理解涌现意识。相反，该系列文章提出了一个包含观察者动态状态的新数学框架，其灵感来源于 Roger Penrose 关于思维非算法性质的论述以及 Stuart Hameroff 关于意识的理论。
-
LLM需要混合推理才能获得可靠答案，而不仅仅是提示
一篇近期文章讨论了仅依赖大型语言模型（LLM）生成答案的局限性，尤其是在需要事实准确性和满足先决条件的情况下。作者提出了一种混合推理方法，其中LLM起草响应，然后由CLIPS、Z3求解器或贝叶斯网络等专业工具进行检查。这种结构化的检查过程允许对LLM的输出进行基于证据的修复和修改，确保答案在最终确定之前满足特定的约束和要求。
-
新方法利用知识图谱改进贝叶斯网络学习
研究人员开发了KG-SoftMAP，一种从稀疏离散数据中学习贝叶斯网络结构的新方法。该方法整合了源自知识图谱的软先验，这些知识图谱可以由专家精心策划或由LLM提取。KG-SoftMAP在合成数据上展示了改进的结构恢复能力，尤其是在与信息丰富的知识图谱配对时，并在保持知识图谱一致性和在真实世界教育数据上提供校准概率方面显示出有希望的结果。
-
贝叶斯网络DSS辅助网络安全工具选择
研究人员开发了一种新的决策支持系统（DSS），该系统利用贝叶斯网络帮助基础设施运营商选择合适的安全工具。该系统旨在通过将工具选择与高级安全要求相匹配，来简化管理异构开源网络的复杂任务。该框架被设计为易于理解和扩展，并对其性能进行了时间效率和预测准确性的评估。
-
AI研究提出“透明盒框架”以实现可问责的大语言模型
一篇新研究论文提出了一种“透明盒框架”，以解决大型语言模型的不透明性问题，尤其是在法律和医疗保健等高风险应用中。该框架集成了贝叶斯网络作为透明的中介层，能够实现可审计的推理轨迹和不确定性量化。这种方法从事后解释转向事前概率中介，以实现更可问责的AI系统。
-
新算法增强了用于临床数据的贝叶斯网络分类器
研究人员开发了Baymex算法的并行版本，以提高离散化贝叶斯网络分类器学习的可扩展性。这种增强的算法自适应地引导优化以减少过拟合，并针对临床分类任务进行了配置。在真实临床数据集上的评估表明，并行Baymex算法在预测性能上与已建立的基线相当或更优，同时生成了更紧凑且临床上可解释的贝叶斯网络。
-
新的熵等价性测试提供了高效的分布分析
研究人员引入了一个名为熵等价性测试的新问题，用于概率分布分析。该方法通过关注区分相同分布与香农熵存在显著差异的分布，放宽了标准的接近性测试。该团队为此任务开发了一种高效算法，证明其所需的样本数量少于传统的接近性测试。
-
新AI方法利用患者数据检测异常临床决策
研究人员开发了专门针对临床环境的新概率异常检测方法。这些方法利用从历史患者数据中学习到的贝叶斯网络，来识别具有相似病症的患者的异常管理决策。该方法已在识别术后心脏病患者的异常决策方面进行了测试。