×

用于结构学习的Copula增长-收缩算法。 (英语) Zbl 1436.62188号

Greselin,Francesca(编辑)等人,《复杂数据的统计学习》。2017年9月13日至15日,意大利米兰,意大利统计学会分类和数据分析小组第十一届科学会议(CLADAG 2017)的论文选集。查姆:斯普林格。螺柱分类数据分析。知识。器官。,163-171 (2019).
概要:PC算法是最著名的基于约束的算法,用于使用条件独立性测试学习有向无环图。对于高斯分布,测试基于皮尔逊相关系数。最近引入了用于从高斯copula模型(Rank PC)中提取数据的PC算法,该算法基于Spearman相关性。在这里,我们提出了一种改进的增长-收缩算法,名为Copula增长-收缩;它是基于马尔可夫毯的恢复和斯皮尔曼相关性。仿真结果表明,根据结构汉明距离,Copula Grow Shrink算法的性能优于PC和Rank PC算法。最后,将新算法应用于意大利能源市场数据。
关于整个系列,请参见[Zbl 1427.62004年].

MSC公司:

2005年6月62日 多元概率分布的表征和结构理论;连接线
68T05型 人工智能中的学习和自适应系统
62时20分 关联度量(相关性、典型相关性等)
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Bauer,A.,Czado,C.:配对连接贝叶斯网络。J.计算。图表。Stat.25(4),1248-1271(2016)·doi:10.1080/106186002015.10086355
[2] Cowell,R.G.,Dawid,P.,Lauritzen,S.L.,Spiegelhalter,D.J.:概率网络和专家系统。纽约施普林格出版社(1999年)·兹伯利0937.68121
[3] Elidan,G.:Copula Bayesian网络。收录于:Lafferty,J.D.,Williams,C.K.I.,Shawe-Taylor,J.,Zemel,R.S.,Culotta,A.(编辑)《神经信息处理系统进展》,第23卷,第559-567页。Curran Associates,Inc.,Red Hook(2010年)
[4] Kalisch,M.,Bühlmann,P.:用pc-算法估计高维有向非循环图。J.马赫。学习。第8号决议,613-636(2007年)·Zbl 1222.68229号
[5] Kalisch,M.、Mächler,M.,Colombo,D.、Maathuis,M.H.、Bühlmann,P.:使用带有R包pcalg的图形模型进行因果推断。J.统计软件。47(11), 1-26 (2012) ·doi:10.18637/jss.v047.i11
[6] Liu,H.,Han,F.,Yuan,M.,Lafferty,J.,Wasserman,L.:高维半参数高斯copula图形模型。Ann.Stat.40(4),2293-2326(2012)·Zbl 1297.62073号 ·doi:10.1214/12-AOS1037
[7] Margaritis,D.:从数据中学习贝叶斯网络模型结构。宾夕法尼亚州匹兹堡卡内基梅隆大学计算机科学学院博士论文(2003年)。技术报告CMU-CS-03-153
[8] Naftali,H.,Drton,M.:非规范图形模型的Pc算法。J.马赫。学习。第14号决议,3365-3383(2013年)·Zbl 1318.62197号
[9] Pearson,K.:数学对进化论的贡献-十六。关于确定相关性的进一步方法。德雷珀公司研究回忆录。《生物识别系列》,第4卷,第1-39页(1907年)·JFM 38.0290.04号
[10] Scutari,M.:使用bnlearn R包学习贝叶斯网络。J.统计软件。35(3),1-22(2010)·doi:10.18637/jss.v035.i03
[11] Spites,P.,Glymour,C.,Scheines,R.:因果关系、预测和搜索,第二版。麻省理工学院出版社,剑桥(2000)·Zbl 0806.62001
[12] Tsamardinos,I.,Brown,L.E.,Aliferis,C.F.:最大爬山贝叶斯网络结构学习算法。机器。学习。65(1), 31-78 (2006) ·Zbl 1470.68192号 ·doi:10.1007/s10994-006-6889-7
[13] T·维尔玛·doi:10.1016/B978-1-4832-8287-9.50049-9
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。