对信念网络学习中单链搜索的批判性评述

在信念网络学习中，单链前瞻搜索被广泛采用以缩减搜索空间。我们证明存在一类概率领域模型，它们展现出一种特殊的依赖模式。我们分析了使用不同评分度量（如熵、条件独立性、最小描述长度和贝叶斯度量）的几种学习算法的行为。我们证明，这些算法中采用的单链前瞻搜索过程无法正确学习这些模型。因此，当底层领域模型实际上属于这一类时，使用单链搜索过程将导致学习到一个不正确的模型。当该模型被使用时，这可能导致推理错误。我们的分析表明，如果关于某个领域的先验知识不能排除这些模型存在的可能性，则应在学习过程中使用多链前瞻搜索或其他启发式方法。