arXiv stat.ML· Victor Alejandre, Pedro Larra\~naga, Concha Bielza·· 6 天前AI 评分27
半参数贝叶斯网络引入狄利克雷过程混合：一种新型条件密度估计方法
Dirichlet Process Mixtures within Semiparametric Bayesian Networks: A Novel Conditional Density Estimation Approach
AI 导读
研究人员提出基于狄利克雷过程混合（DPM）的半参数贝叶斯网络（SPBN）条件概率分布建模方法，以解决传统核密度估计（KDE）推理成本高和误差大的问题。该方法通过扩展开源 PyBNesian 库实现 DPM-SPBN，利用数据自适应聚类提供更紧凑的表示并降低推理成本。在合成与真实数据测试中，DPM-SPBN 在密度估计和网络结构学习误差上均显著低于传统 KDE 方法。
来源：arXiv stat.ML · arxiv.org