.png){kind=icon}
.png){kind=icon}
返回
Benchpress: A Versatile Platform for Structure Learning in Causal and Probabilistic Graphical Models
.png){kind=icon}
OA
AI
DOI：10.18637/jss.v114.i12.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
描述研究域中变量之间的关系并建模数据生成机制是许多经验科学中的基本问题。概率图模型是解决该问题的一种常见方法。为这类模型学习图结构在计算上具有挑战性，是当前研究的热点领域，大量算法正在被开发。为促进不同方法的基准测试，我们提出了一种新颖的Snakemake工作流，称为Benchpress，用于生成概率图模型结构学习算法的可扩展、可重复且平台无关的基准测试。Benchpress通过简单的JSON文件进行接口交互，使其对所有用户均可访问，而代码采用完全模块化设计，以使研究人员能够贡献额外的方法。Benchpress目前提供了对来自BDgraph、BiDAG、bnlearn、causal-learn、gCastle、GOB-NILP、pcalg、scikit-learn、TETRAD和trilearn等库的大量最新算法的接口，以及数据生成模型和性能评估的多种方法。除了用户定义的模型和随机生成的数据集外，该工作流还包括来自文献的标准数据集和图模型，这些可被纳入基准测试研究。我们通过五种典型数据场景展示了该工作流在贝叶斯网络学习中的适用性。源代码和文档可通过https://benchpressdocs.readthedocs.io/公开获取。
Keyword:
reproducibility
scalable benchmarking
causal discovery
probabilistic graphical models
structure learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8.1
论文数:
622
被引数:
4.6W