基于最小描述长度的贝叶斯网络属性聚合与离散化高效搜索策略
机器学习
2014-04-04 v1
摘要
贝叶斯网络是表示大量随机变量间复杂关系的高维概率分布的便捷图形表达形式。它们已广泛应用于生物信息学、人工智能、诊断和风险管理等领域。从数据中恢复网络结构对于建模、分析和预测至关重要。文献中的大多数恢复算法要么假设数据是离散的，要么假设数据是连续但服从高斯分布的。对于一般的连续数据，通常采用离散化方法，但这往往会破坏人们试图恢复的结构本身。Friedman 和 Goldszmidt 提出了一种基于最小描述长度原则的方法，该方法选择的离散化方案能保留原始数据集中的信息，然而该方法即使对于中等规模的网络也难以甚至无法实现。在本文中，我们提供了一种极其高效的搜索策略，使得在实践中应用 Friedman 和 Goldszmidt 离散化方法成为可能。
引用
@article{arxiv.1404.0752,
title = {An Efficient Search Strategy for Aggregation and Discretization of Attributes of Bayesian Networks Using Minimum Description Length},
author = {Jem Corcoran and Daniel Tran and Nicholas Levine},
journal= {arXiv preprint arXiv:1404.0752},
year = {2014}
}