计算贝叶斯网络中结构特征的后验概率
机器学习
2012-05-14 v1 机器学习
摘要
我们研究从数据中学习贝叶斯网络结构的问题。Koivisto和Sood (2004) 以及Koivisto (2006) 提出了算法，可以在O(n2^n)时间内计算子网络（例如单条边）的精确边际后验概率，并在O(n2^n)总时间内计算所有n(n-1)条潜在边的后验概率，假设每个节点的父节点数量（即入度）有常数上界。他们算法的一个主要缺点是需要一种特殊的结构先验，该先验非均匀且不尊重马尔可夫等价性。在本文中，我们开发了一种算法，可以在O(3^n)时间内计算子网络的精确后验概率，并在O(n3^n)总时间内计算所有n(n-1)条潜在边的后验概率。我们的算法也假设有界入度，但允许一般的结构先验。我们在多个最多包含20个变量的数据集上展示了该算法的适用性。
引用
@article{arxiv.1205.2612,
title = {Computing Posterior Probabilities of Structural Features in Bayesian Networks},
author = {Jin Tian and Ru He},
journal= {arXiv preprint arXiv:1205.2612},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence (UAI2009)