热点事件持续更新
研究人员提出半线性高斯贝叶斯网络SLGBN
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
2026年10月23日，相关研究在arXiv发布，研究人员提出了半线性高斯贝叶斯网络（SLGBN），旨在填补近似高斯但含有非线性关系变量的建模空白。该方法在保留高斯条件分布的同时引入非线性条件均值函数，结合了线性与非线性高斯条件模型，并采用基于带惩罚B样条的广义加性模型（GAMs）来估计非线性均值函数。此外，研究还提出了一种用于学习网络结构的贪心爬山算法。实验结果显示，SLGBN在拟合度与网络结构恢复方面均优于线性高斯贝叶斯网络（LGBN）和半参数贝叶斯网络（SPBN），且计算效率高于全半参数方法。
AI 根据报道生成 · 7 小时前更新
最新进展10月23日 12:00
研究人员提出SLGBN，利用带惩罚B样条建模非线性关系，拟合与结构恢复效果优于传统模型。报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- arXiv 人工智能半线性高斯贝叶斯网络：通过带惩罚的B样条增强节点依赖灵活性
研究人员提出了半线性高斯贝叶斯网络（SLGBN），通过在保留高斯条件分布的同时引入非线性条件均值函数，填补近似高斯但含非线性关系变量的建模空白。该方法结合线性与非线性高斯条件模型，采用带惩罚B样条的广义加性模型（GAMs）估计非线性均值函数，并提出贪心爬山算法学习网络结构。实验显示，SLGBN在拟合度与结构恢复上优于LGBN和SPBN，且计算效率高于全半参数方法。
本事件热度走势
当前热度 8·可比范围峰值 10（10月23日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。