The Libra Toolkit 是什么?

The Libra Toolkit 是俄勒冈大学（libra.cs.uoregon.edu）发布的一套离散概率模型算法工具集，用于概率模型的学习与推理。它覆盖贝叶斯网络（BN）、马尔可夫网络（MN）、依赖网络（DN）、和积网络（SPN）和算术电路（AC）等模型，与其他工具包相比更侧重结构学习，尤其是那些可以高效进行精确推理的可处理模型。工具由 Daniel Lowd 和 Amirmohammad (Pedram) Rooshenas 编写，采用修改版 BSD 许可证发布。如果你需要的是命令行环境下、可脚本化的概率图模型学习与推理工具，它值得考虑；如果你需要图形界面或深度学习框架式的 API，它并不合适。

它包含哪些算法

Libra 的算法分为学习、推理和实用工具三类，每个算法都实现为一个命令行程序。

学习算法

  • Chow-Liu 算法：学习树结构贝叶斯网络（Chow & Liu, 1968）
  • 带上下文特定独立性的贝叶斯网络学习（Chickering 等, 1997）
  • 依赖网络学习（Heckerman 等, 2000）
  • 从依赖网络学习马尔可夫网络（Lowd, 2012）
  • 紧凑算术电路的贝叶斯网络结构学习（Lowd & Domingos, 2008）
  • 紧凑算术电路的马尔可夫网络结构学习（Lowd & Rooshenas, 2013）
  • 树混合模型（Meila & Jordan, 2000）
  • 马尔可夫网络权重学习
  • 使用 ID-SPN 算法学习 SPN 结构（Rooshenas & Lowd, 2014）
  • 算术电路的判别式结构学习（Rooshenas & Lowd, 2016，计划在后续更新中加入）

推理算法

  • Gibbs 采样
  • 信念传播
  • Max-product
  • 迭代条件模式（ICM）
  • 平均场（Lowd & Shamaei, 2011，用于依赖网络）
  • AC 变量消元（Chavira & Darwiche, 2007）
  • 精确的 AC 与 SPN 推理
  • AC 的变分优化（Lowd & Domingos, 2010）

实用方法

  • 贝叶斯网络中的前向采样
  • 似然与伪似然模型评分
  • 模型转换与证据条件化

使用方式与获取

Libra 中每个算法都是命令行程序，整个工具包保持一致的选项和文件格式，因此既适合交互式使用，也适合写进脚本批量运行。

最新公开发布版本为 libra-tk-1.1.2d（2015 年 12 月 29 日）。版本 1.1.2 改用 OASIS 构建系统以简化构建和安装；1.1.2d 更新了文档以更好地说明使用 OPAM 安装，并修复了一处不兼容问题。

如果需要比公开发布版更新的开发版本，可以从源码仓库获取：https://bitbucket.org/libra-tk/libra-tk。

引用信息

在学术工作中使用 Libra 时，官方给出的引用格式为：

@article{lowd&rooshenas2015,
  title = {The Libra Toolkit for Probabilistic Models},
  author = {Lowd, Daniel and Rooshenas, Amirmohammad},
  journal = {Journal of Machine Learning Research},
  year = {2015},
  volume = {16},
  pages = {2459-2463}
}

适合谁用

  • 研究离散概率图模型、需要复现或对比结构学习算法的研究者；
  • 需要在脚本中批量做模型学习、推理和评分，且偏好命令行工具的用户；
  • 关注可处理模型（精确推理高效）与算术电路、和积网络方向的开发者。

如果你的任务依赖图形界面、Python 原生 API 或深度学习生态，Libra 的命令行形态和 2015 年前后的发布节奏可能不匹配你的需求。

libra.cs.uoregon.edu