用于贝叶斯网络分类器的可微分 TAN 结构学习
机器学习
2020-08-24 v1 人工智能
机器学习
摘要
贝叶斯网络的结构学习是一个困难的组合优化问题。本文考虑具有离散输入特征的贝叶斯网络分类器的树增强朴素贝叶斯（TAN）结构学习。所提方法不对可能的图结构空间进行组合优化，而是学习图结构上的一个分布。训练后，我们选取该分布中概率最大的结构。这使得贝叶斯网络参数与其 TAN 结构可使用基于梯度的优化进行联合训练。所提方法对具体损失函数无关，仅要求其为可微分。我们使用基于判别概率间隔的混合生成-判别损失进行了大量实验。我们的方法一致地优于随机 TAN 结构与 Chow-Liu TAN 结构。
引用
@article{arxiv.2008.09566,
title = {Differentiable TAN Structure Learning for Bayesian Network Classifiers},
author = {Wolfgang Roth and Franz Pernkopf},
journal= {arXiv preprint arXiv:2008.09566},
year = {2020}
}
备注
Accepted at PGM 2020