从依赖网络闭式学习马尔可夫网络
机器学习
2012-10-19 v1 人工智能
机器学习
摘要
马尔可夫网络 (MNs) 是紧凑表示联合概率分布的有力工具，但大多数 MN 结构学习方法由于评估候选结构的成本高昂而非常缓慢。依赖网络 (DNs) 将概率分布表示为一组条件概率分布。DNs 的学习速度非常快，但其条件分布可能彼此不一致，且支持 DNs 的推理算法很少。在本文中，我们提出了一种将 DN 转换为 MN 的闭式方法，使我们能够同时享受 DN 学习的效率和 MN 表示的便利性。当 DN 一致时，这种转换是精确的。对于不一致的 DNs，我们提出了显著改善近似效果的平均方法。在 12 个标准数据集上的实验表明，我们的方法比使用权重学习结合条件分布的方法快几个数量级，且往往更准确。
引用
@article{arxiv.1210.4896,
title = {Closed-Form Learning of Markov Networks from Dependency Networks},
author = {Daniel Lowd},
journal= {arXiv preprint arXiv:1210.4896},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Eighth Conference on Uncertainty in Artificial Intelligence (UAI2012)