Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
BeatLex: Summarizing and Forecasting Time Series with Patterns Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Labeled DBN Learning with Community Structure Knowledge

verfasst von : E. Auclair, N. Peyrard, R. Sabbadin

Erschienen in: Machine Learning and Knowledge Discovery in Databases

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Learning interactions between dynamical processes is a widespread but difficult problem in ecological or human sciences. Unlike in other domains (bioinformatics, for example), data is often scarce, but expert knowledge is available. We consider the case where knowledge is about a limited number of interactions that drive the processes dynamics, and on a community structure in the interaction network. We propose an original framework, based on Dynamic Bayesian Networks with labeled-edge structure and parsimonious parameterization, and a Stochastic Block Model prior, to integrate this knowledge. Then we propose a restoration-estimation algorithm, based on 0-1 Linear Programing, that improves network learning when these two types of expert knowledge are available. The approach is illustrated on a problem of ecological interaction network learning.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Discovery of Causal Models that Contain Latent Variables Through Bayesian Scoring of Independence Constraints
Nächstes Kapitel Multi-view Generative Adversarial Networks
Anhänge
Nur mit Berechtigung zugänglich
Fußnoten
1
Here and in the following, upper case letters are used for random variables, and lower case letters for a realization.
 
2
Trophic levels are represented in Fig. 1, right: \(TL(1)=0\), \(TL(2)=1\), \(TL(3)=TL(4)=2\).
 
3
\(P_{\mathcal {LG}_\rightarrow , \theta }(x^0)\) will not be estimated.
 
4
Known variables were selected uniformly at random.
 
Literatur
1.
Ambroise, C., Chiquet, J., Matias, C.: Inferring sparse Gaussian graphical models with latent structure. Electron. J. Stat. 3, 205–238 (2009)MathSciNetCrossRefMATH
2.
Byrd, R.H., Hribar, M.E., Nocedal, J.: An interior point algorithm for large-scale nonlinear programming. SIAM J. Optim. 9(4), 877–900 (1999)MathSciNetCrossRefMATH
3.
de Campos, C.P., Ji, Q.: Efficient structure learning of Bayesian networks using constraints. J. Mach. Learn. Res. 12, 663–689 (2011)MathSciNetMATH
4.
Chickering, D.M.: Learning Bayesian networks is NP-complete. In: Learning from data, pp. 121–130 (1996)
5.
Cussens, J.: Bayesian network learning with cutting planes. In: UAI 2011, Proceedings of the Twenty-Seventh Conference on Uncertainty in Artificial Intelligence (2011)
6.
7.
Estes, J.A., Doak, D.F., Springer, A.M., Williams, T.M.: Causes and consequences of marine mammal population declines in southwest Alaska: a food-web perspective. Philos. Trans. R. Soc. Lond. B: Biol. Sci. 364, 1647–1658 (2009)CrossRef
8.
Feelders, A., van der Gaag, L.: Learning Bayesian network parameters under order constraints. Int. J. Approx. Reason. 42, 37–53 (2006)MathSciNetCrossRefMATH
9.
Franc, A.: Metapopulation dynamics as a contact process on a graph. Ecol. Complex. 1(1), 49–63 (2004)CrossRef
10.
11.
Gomez Rodriguez, M., Leskovec, J., Krause, A.: Inferring networks of diffusion and influence. In: Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 1019–1028. ACM (2010)
12.
13.
Heckerman, D., Geiger, D., Chickering, D.M.: Learning Bayesian networks: the combination of knowledge and statistical data. Mach. Learn. 20(3), 197–243 (1995)MATH
14.
Heckerman, D., Breese, J.S.: Causal independence for probability assessment and inference using Bayesian networks. IEEE Trans. Syst. Man Cybern. Part A 26(6), 826–831 (1996)CrossRef
15.
Holland, P., Laskey, K., Leinhardt, S.: Stochastic blockmodels: first steps. Soc. Netw. 5(2), 109–137 (1983)MathSciNetCrossRef
16.
Korhonen, J.H., Parviainen, P.: Tractable Bayesian network structure learning with bounded vertex cover number. In: Advances in Neural Information Processing Systems, vol. 28 (2015)
17.
Liben-Nowell, D., Kleinberg, J.: The link-prediction problem for social networks. J. Am. Soc. Inf. Sci. Technol. 58(7), 1019–1031 (2007)CrossRef
18.
19.
Milns, I., Beale, C.M., Smith, V.A.: Revealing ecological networks using Bayesian network inference algorithms. Ecology 91(7), 1892–1899 (2010)CrossRef
20.
Murphy, K.: Dynamic Bayesian Networks: representation, inference and learning. Ph.D. thesis, University of California (2002)
21.
Newman, M.E.J., Clauset, A.: Structure and inference in annotated networks. Nat. Commun., 7 (2016)
22.
Niculescu, R.S., Mitchell, T.M., Rao, R.B.: Bayesian network learning with parameter constraints. J. Mach. Learn. Res. 7(July), 1357–1383 (2006)MathSciNetMATH
23.
Oyen, D., Anderson, B., Anderson-Cook, C.: Bayesian networks with prior knowledge for malware phylogenetics. In: AAAI-2016 Workshop on Artificial Intelligence and Cybersecurity (2016)
24.
Parviainen, P., Farahani, H.S., Lagergren, J.: Learning bounded tree-width Bayesian networks using integer linear programming. In: Seventeenth International Conference on Articial Intelligence and Statistics (AISTAT 2014) (2014)
25.
Salathé, M., Jones, J.H.: Dynamics and control of diseases in networks with community structure. PLOS Comput. Biol. 6(4), e1000736 (2010)MathSciNetCrossRef
26.
27.
28.
29.
Yu, J., Smith, V.A., Wang, P.P., Hartemink, A.J., Jarvis, E.D.: Advances to Bayesian network inference for generating causal networks from observational biological data. Bioinformatics 20(18), 3594–3603 (2004)CrossRef
Metadaten
Titel
Labeled DBN Learning with Community Structure Knowledge
verfasst von
E. Auclair
N. Peyrard
R. Sabbadin
Copyright-Jahr
2017
Buch
Machine Learning and Knowledge Discovery in Databases

Print ISBN: 978-3-319-71245-1

Electronic ISBN: 978-3-319-71246-8

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-71246-8_10