IDA-计算机和信息科学系

何塞·M·佩尼亚 计算机科学博士，数据学博士 计算机科学高级副教授（biträdade profession i datalogi） 机器学习主管统计与机器学习部 计算机与信息科学系 林雪平大学 瑞典林雪平58183号 jose DOT m DOT pena AT liu DOT se何塞·多特·佩纳 B栋，入口29B，房间2A:464

• 研究
  
  我对机器学习、人工智能和统计学感兴趣。我研究图形模型和因果关系。
  
  
• 教学
  
  我教机器学习和因果推理的课程。
  
  
• 出版物
  
  • Peña，J.M.（2024年）。未测量混淆下任何对比度的简单而尖锐的敏感性分析.arXiv：2406.07940[状态.ME]。
  • Balgi，S.、Daoud，A.、PeñA，J.M.、Wodtke，G.T.和Zhou，J.（2024年）。DAG深度学习.arXiv:2401.06864[stat.ML]。
  • Peña，J.M.（2023年）。论免疫概率.arXiv:2309.11942[stat.ME]。
  • 佩尼亚，J.M.（2023年）。直接和间接影响的替代措施.arXiv:2306.01292[stat.ME]。
  • Peña，J.M.（2023年）。通过敏感性参数和代理限定利益和危害的可能性《因果推理杂志》，11:20230012。
  • Peña，J.M.（2023年）。单连通路径图中部分协方差的因式分解《因果学习与推理第二届会议论文集》（CLeaR 2023）-《机器学习研究论文集》213814-849。
  • Gabriel，E.E.、Peña，J.M.和Sjölander，a.（2022）。连续混淆器二分光的偏差衰减结果《因果推理期刊》，10:515-526。
  • Balgi，S.、Peña，J.M.和Daoud，a.（2022）。&#961-GNF：一种新的未观测混淆条件下的灵敏度分析方法.arXiv:2209.07111[stat.ME]。
  • Balgi，S.、Peña，J.M.和Daoud，a.（2022）。使用因果图归一化流对IMF项目对全球南部地区儿童贫困影响的反事实分析.arXiv:2202.09391[cs.AI]。
  • Sjölander，A.、PeñA，J.M.和Gabriel，E.E.（2022）。二元混合器非差分误测量的偏差结果《统计与概率快报》，186:109474。
  • Peña，J.M.（2022年）。未测量混淆的简单而尖锐的敏感性分析《因果推理杂志》，10:1-17。
  • Balgi，S.、Peña，J.M.和Daoud，a.（2022）。基于因果图规范化流的社会科学个性化公共政策分析《第36届AAAI人工智能会议论文集》（AAAI 2022），11810 11818。
  • Peña，J.M.、Balgi，S.、Sjölander，a.和Gabriel，E.（2021）。非差分误测离散混频器的调整偏差《因果推理杂志》，9:229-249。
  • Peña，J.M.（2020年）。关于一个非差分误测二元共聚器的单调性《因果推理杂志》，8:150-163。
  • Peña，J.M.（2020年）。高斯LWF和AMP链图对模型干涉的统一《因果推理杂志》，8:1-21。
  • Peña，J.M.（2018）。统一DAG和UG.在第九届概率图形模型国际会议论文集（PGM 2018）-机器学习研究论文集72308-319中。
  • Peña，J.M.（2018）。AMP链图中强边的识别《第34届人工智能不确定性会议论文集》（UAI 2018）。
  • Peña，J.M.（2018）。交替非循环有向混合图的推理《行为测量学》，45:389-422。
  • Peña，J.M.（2017）。交替非循环有向混合图的因果关系识别《贝叶斯网络高级方法第三次研讨会论文集》（AMBN 2017）——《机器学习研究论文集》73、21-32。补充.
  • Peña，J.M.（2017）。学习因果AMP链图《贝叶斯网络高级方法第三次研讨会论文集》（AMBN 2017）——《机器学习研究论文集》73、33-44。
  • Bendtsen，M.和Peña，J.M.（2017）。用贝叶斯网络混合建模体制《瑞典人工智能学会第30届年度研讨会论文集》（SAIS 2017），20-29。补充.
  • Peña，J.M.和Bendtsen，M.（2017）。非循环有向混合图和门模型中的因果关系识别《国际近似推理杂志》，90:56-75。
  • Peña，J.M.（2017）。用初等三元组表示独立模型《国际近似推理杂志》，88:587-601。
  • Peña，J.M.（2016）。从观察和干预中学习非循环有向混合图《第八届概率图形模型国际会议论文集》（PGM 2016）-《机器学习研究论文集》52，392-402。
  • Peña，J.M.（2016）。非循环有向混合图的交替马尔可夫和因果性质《第32届人工智能不确定性会议论文集》（UAI 2016），577-586。补充.勘误表.
  • Bendtsen，M.和Peña，J.M.（2016）。用于算法交易的门限贝叶斯网络《国际近似推理杂志》，69:58-80。
  • Peña，J.M.和Gómez-Olmedo，M.（2016）。再论信度下的边际AMP链图学习《国际近似推理杂志》，68:108-126。
  • Sonntag，D.和Peña，J.M.（2016）。链图解释的表达性《国际近似推理杂志》，68:91-107。
  • Keivani，O.和Peña，J.M.（2016）。基于贝叶斯网络的一维和多维聚类。在无监督学习算法中，163-192。斯普林格。
  • Peña，J.M.（2015）。用初等三元组表示独立模型《第十届不确定性处理研讨会论文集》（WUPES 2015），155-166。扩展版本.
  • Sonntag，D.、Järvisalo，M.、Peña，J.M.和Hyttinen，a.（2015）。用答案集编程学习最优链图《第31届人工智能不确定性会议论文集》（UAI 2015），822-831。
  • Peña，J.M.（2015）。离散AMP链图的因子分解、推理和参数学习《第13届欧洲不确定性推理的符号和定量方法会议记录》（ECSQARU 2015）——人工智能讲义9161、335-345。附录.
  • Peña，J.M.（2015）。每个LWF和AMP链图都来自一组因果模型《第13届欧洲不确定性推理的符号和定量方法会议论文集》（ECSQARU 2015）——人工智能讲义9161、325-334。
  • Sonntag，D.、Peña，J.M.和Gómez-Olmedo，M.（2015）。基于MCMC的图形模型近似计数《国际智能系统杂志》，30:384-420。
  • Sonntag，D.和Peña，J.M.（2015）。链图解释及其关系再认识《国际近似推理杂志》，58:39-56。
  • Sonntag，D.和Peña，J.M.（2015）。链图和基因网络。《生物医学知识表示基础》，159-178。斯普林格。
  • Peña，J.M.（2014）。信度下边际AMP链图的学习《第七届概率图形模型欧洲研讨会论文集》（PGM 2014）——人工智能课堂讲稿8754，382-395。
  • Bendtsen，M.和Peña，J.M.（2014）。用于算法交易的学习门限贝叶斯网络《第七届概率图形模型欧洲研讨会论文集》（PGM 2014）——人工智能课堂讲稿8754，49-64。
  • Peña，J.M.（2014年）。边际AMP链图。国际近似推理杂志，55:1185-1206。勘误表.更正的文章.
  • Peña，J.M.、Sonntag，D.和Nielsen，J.D.（2014）。链图结构学习的包含优化算法《第17届国际人工智能与统计会议论文集》（AISTATS 2014），778-786。补充.
  • Peña，J.M.（2014年）。在忠实性下学习AMP链图及其一些边缘模型。国际近似推理杂志，55:1011-1021。扩展版本.附录.
  • Bendtsen，M.和Peña，J.M.（2013）。门控贝叶斯网络《第十二届斯堪的纳维亚人工智能会议论文集》（SCAI 2013）——人工智能与应用前沿257、35-44。
  • Peña，J.M.（2013）。错误AMP链图。第十二届斯堪的纳维亚人工智能会议（SCAI 2013）——人工智能和应用前沿会议记录257、215-224。扩展版本.
  • Sonntag，D.和Peña，J.M.（2013年）。链图解释及其关系《第十二届欧洲不确定性推理的符号和定量方法会议记录》（ECSQARU 2013）——人工智能课堂讲稿7958，510-521。最佳学生论文奖（前同等奖）.扩展版本.
  • Peña，J.M.（2013）。基于MCMC的图形模型近似计数《西班牙人工智能协会第十五届会议记录》（CAEPIA 2013）——人工智能课堂讲稿8109、383-392。最佳论文奖.软件.
  • Etminani，K.、Naghibzadeh，M.和Peña，J.M.（2013）。DemocraticOP：一种聚合贝叶斯网络参数的民主方法《国际近似推理杂志》，54:602-614。
  • Peña，J.M.（2013）。从协方差图中读取相关性《国际近似推理杂志》，54:216-227。
  • Peña，J.M.（2012）。忠实度下AMP链图的学习《第六届概率图形模型欧洲研讨会论文集》（PGM 2012），251-258。
  • Sonntag，D.和Peña，J.M.（2012）。信度下多元回归链图的学习第六届欧洲概率图形模型研讨会论文集（PGM 2012），299-306。附录.附录.
  • Peña，J.M.（2011）。寻找共识贝叶斯网络结构《人工智能研究杂志》，42:661-687。
  • Peña，J.M.（2011）。链图的忠实性：高斯情形《第14届国际人工智能与统计会议论文集》（AISTATS 2011）-《机器学习研究论文集》15，588-5992011。
  • Peña，J.M.（2010年）。重温从类多树贝叶斯网络中读取相关性《第五届概率图形模型欧洲研讨会论文集》（PGM 2010），225-232。
  • Peña，J.M.和Nilsson，R.（2010年）。最优分类离散特征选择的复杂性IEEE模式分析和机器智能汇刊，32:1517-1522。
  • Peña，J.M.（2009）。链图的忠实性：离散情形《国际近似推理杂志》，50:1306-1313。
  • Peña，J.M.、Nilsson，R.、Björkegren，J.和TegnéR，J.（2009）。从满足弱传递性的图的最小无向独立映射中读取依赖项的算法《机器学习研究杂志》，10:1071-1094。
  • Peña，J.M.（2008）。基于错误发现率控制的基因网络高斯图形模型学习《第六届欧洲生物信息学进化计算、机器学习和数据挖掘会议论文集》（EvoBIO 2008）——计算机科学讲义4973、165-176。软件.
  • Peña，J.M.（2007）。从类多树贝叶斯网络中读取相关性《第23届人工智能不确定性会议论文集》（UAI 2007），303-309。勘误表.
  • Nilsson，R.、Peña，J.M.、Björkegren，J.和TegnéR，J.（2007）。检测多变量差异表达基因BMC生物信息学，8:150。
  • Nilsson，R.、Peña，J.M.、Björkegren，J.和TegnéR，J.（2007）。多项式时间模式识别的一致特征选择《机器学习研究杂志》，8:589-612。
  • Peña，J.M.（2007）。基于MCMC的图形模型近似计数《第十一届国际人工智能与统计会议论文集》（AISTATS 2007），352-359。软件.
  • Peña，J.M.、Björkegren，J.和Tegnér，J.（2007）。基因网络贝叶斯网络模型的学习与验证《概率图形模型进展》，359-376。斯普林格。
  • Peña，J.M.、Nilsson，R.、Björkegren，J.和TegnéR，J.（2007年）。马尔可夫边界的可扩展和数据高效学习《国际近似推理杂志》，45:211-232。软件.
  • Peña，J.M.、Nilsson，R.、Björkegren，J.和TegnéR，J.（2006）。从满足弱传递性的流形的最小无向独立映射中读取依赖项《概率图形模型第三届欧洲研讨会论文集》（PGM 2006），247-254。
  • Nilsson，R.、Peña，J.M.、Björkegren，J.和TegnéR，J.（2006）。高维支持向量机的特征选择评估《第17届欧洲机器学习会议论文集》（ECML 2006）——计算机科学讲义4212、719-726。
  • Peña，J.M.、Nilsson，R.、Björkegren，J.和TegnéR，J.（2006）。在不学习模型的情况下识别相关节点《第22届人工智能不确定性会议论文集》（UAI 2006），367-374。
  • Peña，J.M.、Björkegren，J.和Tegnér，J.（2005）。种子基因基因网络的生长贝叶斯网络模型生物信息学，21:ii224-ii229。软件.
  • Peña，J.M.、Björkegren，J.和Tegnér，J.（2005）。通过交叉验证学习动态贝叶斯网络模型.模式识别字母，26:2295-2308。
  • Peña，J.M.、Björkegren，J.和Tegnér，J.（2005年）。信度假设下马尔可夫边界的可伸缩、有效和正确学习《第八届欧洲不确定性推理的符号和定量方法会议记录》（ECSQARU 2005）——人工智能课堂讲稿3571、136-147。软件.
  • Peña，J.M.、Lozano，J.a.和Larrañaga，P.（2005）。基于贝叶斯网络无监督学习的分布估计算法的全局多峰问题优化《进化计算》，13:43-66。
  • Peña，J.M.（2004）。遗传调控网络贝叶斯网络模型的学习与验证《概率图形模型第二届欧洲研讨会论文集》（PGM 2004），161-168。
  • Peña，J.M.、Ko&#269ka，T.和Nielsen，J.D.（2004）。以多个局部最优为特征帮助用户解释诱导贝叶斯网络模型《第十届基于知识的系统中信息处理和不确定性管理国际会议论文集》（IPMU 2004），1683-1690。
  • Peña，J.M.、Lozano，J.a.和Larrañaga，P.（2004）。基于分布估计算法的贝叶斯网络无监督学习：在基因表达数据聚类中的应用《国际不确定性、模糊性和基于知识的系统杂志》，12:63-82。
  • Söndberg-Madsen，N.、Thomsen，C.和Peña，J.M.（2003）。无监督特征子集选择《分类概率图形模型研讨会论文集》（ECML 2003），71-82。
  • Nielsen，J.D.、Ko&#269ka，T.和Peña，J.M.（2003）。贝叶斯网络学习中的局部最优在第19届人工智能不确定性会议记录（UAI 2003）中，435-442。
  • Peña，J.M.、Lozano，J.a.和Larrañaga，P.（2002）。基于分布估计算法的贝叶斯网络无监督学习《概率图形模型第一届欧洲研讨会论文集》（PGM 2002），144-151。
  • Peña，J.M.、Lozano，J.a.和Larrañaga，P.（2002）。用构造归纳法学习递归贝叶斯多网进行数据聚类《机器学习》，47:63-89。
  • Peña，J.M.（2001年）。贝叶斯网络和条件高斯网络的无监督学习西班牙巴斯克大学博士论文。
  • Peña，J.M.、Lozano，J.a.和Larrañaga，P.（2001）。折衷条件高斯网络用于数据聚类的性能评估《国际近似推理杂志》，28:23-50。
  • Peña，J.M.、Lozano，J.a.、Larrañaga，P.和Inza，I.（2001）。条件高斯网络无监督学习中的降维IEEE模式分析和机器智能汇刊，23:590-603。
  • Peña，J.M.、Lozano，J.a.和Larrañaga，P.（2001）。数据聚类在EDA多峰函数优化中的优势在分布算法的估计中。进化计算的新工具，101-127。Kluwer学术出版社。
  • Peña，J.M.、Izarzugaza，I.、Lozano，J.a.、Aldasoro，E.和Larrañaga，P.（2001）。基于贝叶斯网络和条件高斯网络的癌症发病率地理聚类《第八届人工智能与统计国际研讨会论文集》（AISTATS 2001），266-271。
  • Larrañaga，P.、Etxeberria，R.、Lozano，J.A.和PeñA，J.M.（2000）。贝叶斯网络的学习与仿真组合优化《第16届人工智能不确定性会议论文集》（UAI 2000），343-352。
  • Larrañaga，P.、Etxeberria，R.、Lozano，J.A.和PeñA，J.M.（2000）。基于高斯网络学习和仿真的连续域优化《通过构建和使用概率模型进行优化研讨会论文集》（GECCO 2000），201-204年。
  • Peña，J.M.、Lozano，J.a.和Larrañaga，P.（2000）。一种改进的贝叶斯结构EM算法用于贝叶斯网络的聚类学习.模式识别字母，21:779-786。
  • Larrañaga，P.、Etxeberria，R.、Lozano，J.A.、Sierra，B.、Inza，I.和PeñA，J.M.（1999）。进化计算与概率图形模型的合作综述第二届人工智能研讨会论文集，314-324。
  • Inza，I.、Larrañaga，P.、Sierra，B.、Etxeberria，R.、Lozano，J.A.和PeñA，J.M.（1999）。用贝叶斯网络表示机器学习诱导器的联合行为.模式识别字母，20:1201-1209。
  • Peña，J.M.、Lozano，J.a.和Larrañaga，P.（1999）。用构造归纳法学习贝叶斯网络进行聚类.模式识别字母，20:1219-1230。
  • Peña，J.M.、Lozano，J.a.和Larrañaga，P.（1999）。K-Means算法四种初始化方法的实证比较《模式识别字母》，20:1027-1040。

负责页面：何塞·M·佩尼亚
上次更新时间：2024-06-13