Semi-parametric Expert Bayesian Network Learning with Gaussian Processes and Horseshoe Priors

要約

この論文では、線形パラメータと構造制約を備えたエキスパート ベイジアン ネットワーク (SEBN) でセミパラメトリック関係を学習するモデルを提案します。
最小限の非線形コンポーネントを導入する前に、ガウス プロセスとホースシューを使用します。
新しいエッジの追加よりもエキスパート グラフの変更を優先するために、差分ホースシュー スケールを最適化します。
真実が不明な現実世界のデータセットでは、ユーザー入力に対応するための多様なグラフを生成し、識別可能性の問題に対処し、解釈可能性を高めます。
構造的ハミング距離やテスト尤度などの指標を使用した、合成および UCI 肝障害データセットの評価では、私たちのモデルが最先端のセミパラメトリック ベイジアン ネットワーク モデルを上回るパフォーマンスを示しています。

要約(オリジナル)

This paper proposes a model learning Semi-parametric rela- tionships in an Expert Bayesian Network (SEBN) with linear parameter and structure constraints. We use Gaussian Pro- cesses and a Horseshoe prior to introduce minimal nonlin- ear components. To prioritize modifying the expert graph over adding new edges, we optimize differential Horseshoe scales. In real-world datasets with unknown truth, we gen- erate diverse graphs to accommodate user input, addressing identifiability issues and enhancing interpretability. Evalua- tion on synthetic and UCI Liver Disorders datasets, using metrics like structural Hamming Distance and test likelihood, demonstrates our models outperform state-of-the-art semi- parametric Bayesian Network model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google