高斯过程网络中的贝叶斯因果推断
原文中文，约300字，阅读约需1分钟。发表于：。在高斯过程网络（GPN）模型中进行贝叶斯估计来推断多步骤干预效应，通过模拟整个网络中干预的影响并传播到下游变量，以及使用高斯过程建模条件分布来估计干预分布，进一步考虑到因果结构不确定性。结果表明，该方法能够识别非高斯、非线性的观测数据中假设干预的效果，并准确反映因果估计的后验不确定性。
本文提出了一种新的回归框架，Gaussian process regression networks (GPRN)，结合了贝叶斯神经网络的结构特性和高斯过程的非参数灵活性。GPRN适应多个响应变量之间的输入相关信号和噪声相关性，具有输入相关的长度尺度和振幅以及重尾进行预测分布的特点。通过有效的马尔可夫链蒙特卡罗和变分贝叶斯推断过程，应用GPRN提出了多输出回归和多元波动性模型。在基准数据集上，GPRN的性能明显优于八个流行的多任务高斯过程模型和三种多元波动性模型，包括一个1000维基因表达数据集。
