给定贝叶斯网络下不完全数据边际似然的高效近似
机器学习
2015-05-19 v2 人工智能
机器学习
摘要
我们讨论了在数据集不完全时学习贝叶斯网络的贝叶斯方法。特别地，我们研究了给定贝叶斯网络下不完全数据边际似然的渐近近似。我们考虑了拉普拉斯近似以及精度较低但效率更高的BIC/MDL近似。我们还考虑了Draper（1993）以及Cheeseman和Stutz（1995）提出的近似方法。这些近似方法与BIC/MDL一样高效，但其准确性尚未得到深入研究。我们以拉普拉斯近似为最准确近似的假设为前提，比较了这些近似方法的准确性。在使用由具有隐藏根节点的离散朴素贝叶斯模型生成的合成数据进行的实验中，我们发现CS度量最为准确。
引用
@article{arxiv.1302.3567,
title = {Efficient Approximations for the Marginal Likelihood of Incomplete Data Given a Bayesian Network},
author = {David Maxwell Chickering and David Heckerman},
journal= {arXiv preprint arXiv:1302.3567},
year = {2015}
}
备注
Appears in Proceedings of the Twelfth Conference on Uncertainty in Artificial Intelligence (UAI1996)