Sampling decomposable graphs using a Markov chain on junction trees
基于联结树马尔可夫链的可分解图抽样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。
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：摘要中的图用于表达统计条件依赖及模型空间，并未涉及经济主体之间的网络联系或干扰，故不直接归入微观网络。
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…
关注这篇论文的作者
基于联结树马尔可夫链的可分解图抽样
- 研究问题
- 在无向图模型的贝叶斯模型选择中，如何高效探索可分解图空间，并在连接或断开部分顶点子集时保持图的可分解性？
- 方法与思路
- 作者给出连接两个互不相连的完全顶点子集及逆操作保持可分解性的充分条件，并以表示图的联结树作为 MCMC 状态。
- 材料陈述的贡献
- 摘要称提出面向可分解图上任意正分布的抽样器，并提供新的可分解图几何结果，以三个模型的数值实验说明方法。
- 阅读关注点
- 应核对图与联结树表示之间的概率对应、允许移动的充分条件，以及抽样链的遍历性质和数值实验中的效率衡量。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未给出混合速度或规模保证，方法范围限于所述可分解图。
原文摘要
Full Bayesian computational inference for model determination in undirected graphical models is currently restricted to decomposable graphs or other special cases, except for small-scale problems, say up to 15 variables. In this paper we develop new, more efficient methodology for such inference, by making two contributions to the computational geometry of decomposable graphs. The first of these provides sufficient conditions under which it is possible to completely connect two disconnected complete subsets of vertices, or perform the reverse procedure, yet maintain decomposability of the graph. The second is a new Markov chainMonte Carlo sampler for arbitrary positive distributions on decomposable graphs, taking a junction tree representing the graph as its state variable. The resulting methodology is illustrated with numerical experiments on three models.