Краткое содержание

arXiv:2511.14001v1 Тип объявления: кросс Аннотация: Байесовские сети (BN) представляют собой широко используемый класс вероятностных графических моделей, применяемых в различных прикладных областях. Однако восстановление графической структуры сети по данным остается сложной задачей. Обучающие алгоритмы байесовской структуры решают эту проблему путем вывода апостериорного распределения над возможными направленными ациклическими графами, лежащими в основе BN. Процесс вывода часто требует маргинализации распределений вероятности, что обычно делается с помощью методов динамического программирования, ограничивающих множество возможных родителей для каждого узла. Вместо этого мы предлагаем новый метод, использующий трактуемые вероятностные схемы для обхода данного ограничения. Этот метод использует новую процедуру обучения, которая обучает эти схемы как на исходном распределении, так и на маргинальных запросах. Архитектура вероятностных схем затем позволяет выполнять быструю и точную маргинализацию на изученном распределении. Затем мы эмпирически демонстрируем...