贝叶斯网络结构的任意部分学习
机器学习
2021-03-26 v1 人工智能
机器学习
摘要
我们研究了一个有趣且具有挑战性的问题，即学习贝叶斯网络（BN）结构的任意部分。在该挑战中，若使用现有的全局 BN 结构学习算法去寻找完整的 BN 结构以获得我们感兴趣的 BN 结构部分，计算效率将十分低下。而当直接采用局部 BN 结构学习算法来解决这一挑战性问题时，会遇到错误边定向问题。本文中，我们首先提出扩展-回溯（Expand-Backtracking）这一新概念，以解释为何局部 BN 结构学习方法存在错误边定向问题，随后提出 APSL，一种高效且准确的贝叶斯网络结构任意部分学习（Any Part of BN Structure Learning）算法。具体而言，APSL 将马尔可夫毯（MB）中的 V-结构分为两类：碰撞 V-结构与非碰撞 V-结构，随后从感兴趣节点出发，在已发现的 MB 中递归地寻找碰撞与非碰撞 V-结构，直至我们感兴趣的 BN 结构部分被定向。为提升 APSL 的效率，我们进一步设计了使用特征选择（Feature Selection）的 APSL-FS 算法。在六个基准 BN 上的大量实验验证了我们所提方法的效率与准确性。
引用
@article{arxiv.2103.13810,
title = {Any Part of Bayesian Network Structure Learning},
author = {Zhaolong Ling and Kui Yu and Hao Wang and Lin Liu and Jiuyong Li},
journal= {arXiv preprint arXiv:2103.13810},
year = {2021}
}