BigBraveBN: 面向大规模节点贝叶斯网络结构学习的算法
机器学习
2022-08-23 v1 人工智能
摘要
学习贝叶斯网络是一个 NP-hard 问题,随着节点数量的增加,经典的贝叶斯网络结构学习算法变得低效。近年来,一些用于学习高节点数(超过 50)贝叶斯网络的方法和算法被提出。但这些方案存在其缺点,例如仅处理一种类型的数据(离散或连续),或其算法是为满足特定数据性质(医学、社会等)而创建的。本文提出一种用于学习高节点数(超过 100)大规模贝叶斯网络的 BigBraveBN 算法。该算法利用 Brave 系数来度量多个组中实例的共现情况。为形成这些组,我们采用基于互信息(MI)度量的近邻方法。在文章实验部分,我们在多个离散与连续数据集上将 BigBraveBN 与其他现有方案的性能进行比较。实验部分还给出了在真实数据上的测试。上述实验结果表明了 BigBraveBN 算法在贝叶斯网络结构学习中的高效性。
引用
@article{arxiv.2208.10312,
title = {BigBraveBN: algorithm of structural learning for bayesian networks with a large number of nodes},
author = {Yury Kaminsky and Irina Deeva},
journal= {arXiv preprint arXiv:2208.10312},
year = {2022}
}
备注
The article contains 10 pages and 10 figures