Characterizing Markov equivalence classes for AMP chain graph models
AMP 链图模型的马尔可夫等价类刻画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：摘要研究概率图模型的等价类，未建立因果识别或经济网络干扰的直接联系。
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
AMP 链图模型的马尔可夫等价类刻画
- 研究问题
- 在 AMP 解释下，多个链图可能表达同一马尔可夫模型时，如何唯一表示等价类，以缓解模型搜索中的表示不唯一问题？
- 方法与思路
- 作者为每个 AMP 马尔可夫等价类构造一个特殊链图，即 AMP 本质图，并对这类本质图给出完整刻画。
- 材料陈述的贡献
- 摘要称，每个等价类可由唯一的 AMP 本质图表示，该图与类内全部链图马尔可夫等价，为推断及模型搜索提供基础。
- 阅读关注点
- 应核对 AMP 马尔可夫解释、等价关系和本质图的定义，以及完整刻画如何转化为模型搜索与选择中的可用规则。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体刻画条件和算法效率未说明，唯一表示等价类不意味着识别唯一因果结构。
原文摘要
Chain graphs (CG) (= adicyclic graphs) use undirected and directed edges to represent both structural and associative dependences. Like acyclic directed graphs (ADGs), the CG associated with a statistical Markov model may not be unique, so CGs fall into Markov equivalence classes, which may be superexponentially large, leading to unidentifiability and computational inefficiency in model search and selection. It is shown here that, under the Andersson–Madigan–Perlman (AMP) interpretation of a CG, each Markov-equivalence class can be uniquely represented by a single distinguished CG, the AMP essential graph, that is itself simultaneously Markov equivalent to all CGs in the AMP Markov equivalence class. A complete characterization of AMP essential graphs is obtained. Like the essential graph previously introduced for ADGs, the AMP essential graph will play a fundamental role for inference and model search and selection for AMP CG models.