学习累积现象概率图模型结构的高效计算策略
机器学习
2018-10-24 v4 人工智能
摘要
贝叶斯网络 的结构学习是一个 NP-hard 问题，许多理论问题使其进一步复杂化，例如不同结构之间的 I-等价。在本研究中，我们关注 BN 的一个特定子类，称为 Suppes-Bayes 因果网络，它包含基于 Suppes 概率因果关系的特定结构约束，以高效地对累积现象进行建模。在此，我们通过大量仿真，比较了各种最先进的搜索策略（如局部搜索技术和遗传算法）以及不同正则化方法的性能。该评估在大量模拟数据集上进行，这些数据集来自具有不同复杂度级别、各种样本量和不同数据错误率的拓扑结构。在主要结果中，我们表明引入 Suppes 约束通过减少解空间并提供变量的时间顺序，极大地提高了推理精度。我们还报告了可在不同实验设置中有效采用的不同搜索技术之间的权衡。本文是 2018 年国际计算科学会议上发表的论文《累积现象概率图模型的结构学习》的扩展版本。
引用
@article{arxiv.1703.03074,
title = {Efficient computational strategies to learn the structure of probabilistic graphical models of cumulative phenomena},
author = {Daniele Ramazzotti and Marco S. Nobile and Marco Antoniotti and Alex Graudenzi},
journal= {arXiv preprint arXiv:1703.03074},
year = {2018}
}