Inference for max-linear Bayesian networks with noise
带噪声最大线性贝叶斯网络的推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确将最大线性贝叶斯网络用于极值情境的因果推断；未提供金融风险应用依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
带噪声最大线性贝叶斯网络的推断
- 研究问题
- 在图拓扑给定的带噪声最大线性贝叶斯网络中，如何估计有向无环图的边参数，并建立可用于推断的分布结果？
- 方法与思路
- 作者将模型取对数后以 max-plus 代数表示，研究逐边参数估计量的正态分布，并开展 EM 算法与二次优化实验。
- 材料陈述的贡献
- 摘要称给出每条边参数估计量的正态分布结果，并通过计算实验展示估计方法，为极值情境中的网络推断提供工具。
- 阅读关注点
- 应核对噪声设定、已知拓扑的作用，以及正态性是有限样本还是渐近结论，并检查 EM 与优化目标的对应关系。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明正态性条件，也未涉及未知图拓扑的识别。
原文摘要
Max-Linear Bayesian Networks (MLBNs) provide a powerful framework for causal inference in extreme-value settings; we consider MLBNs with noise parameters with a given topology in terms of the max-plus algebra by taking its logarithm. Then, we show that an estimator of a parameter for each edge in a directed acyclic graph (DAG) is distributed normally. We end this paper with computational experiments with the expectation and maximization (EM) algorithm and quadratic optimization.