我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
马尔可夫等价类包含编码相同条件独立性的所有有向非循环图(DAG),并由完整的部分有向非周期图(CPDAG)表示,也称为基本图(EG)。我们采用一种客观的贝叶斯方法,通过直接对EG打分来解决非因果稀疏高斯DAG之间的模型选择问题。具体来说,我们基于分数贝叶斯因子构建模型选择的目标先验,从而得出EG的边际似然的闭合形式表达式。接下来,我们提出了一种马尔可夫链蒙特卡罗(MCMC)策略,使用稀疏性约束来探索EG的空间,并说明了我们的方法在模拟研究和实际数据集上的性能。我们的方法提供了推理不确定性的一致量化,需要最小的先验规范,并且与其他最先进的算法相比,在学习数据生成EG的结构方面具有竞争力。
费德里科·卡斯特莱蒂。 吉多·康斯坦尼。 马尔科·德尔拉·维多瓦(Marco L.Della Vedova)。 斯特凡诺·佩卢索。 “学习有向非循环图的马尔可夫等价类:一种客观的贝叶斯方法。” 贝叶斯分析。 13 (4) 1235-1260, 2018年12月。 https://doi.org/10.1214/18-BA1101