基于独立性的高效 MAP 方法用于鲁棒的马尔可夫网络结构发现
人工智能
2015-03-17 v1 计算机视觉与模式识别
摘要
本文介绍了 IB-score，一个基于独立性的评分函数族，用于鲁棒地学习马尔可夫网络的独立性结构。马尔可夫网络是概率分布的一种广泛使用的图形表示，在多个科学领域有许多应用。IB-score 的主要优点在于无需估计数值参数即可计算，而参数估计是一个 NP 难问题，通常通过近似的、数据密集的迭代优化来解决。我们从第一性原理（主要是最大后验和条件独立性性质）推导出 IB-score 的形式化表达式，并举例说明了它的几种实例化，从而产生了两种新的结构学习算法：IBMAP-HC 和 IBMAP-TS。在人工数据和真实世界数据上的实验结果表明，与最先进的基于独立性的结构学习算法 GSMN 相比，这些算法在学习到的结构中实现了重要的误差减少，正确编码的独立性数量增加了 50% 以上，并且在某些情况下，GSMN 错误学习的边中有超过 90% 被正确学习。理论分析表明，IBMAP-HC 高效运行，在域中随机变量数量的多项式时间内实现了这些改进。
引用
@article{arxiv.1101.3381,
title = {Efficient Independence-Based MAP Approach for Robust Markov Networks Structure Discovery},
author = {Facundo Bromberg and Federico Schlüter},
journal= {arXiv preprint arXiv:1101.3381},
year = {2015}
}
备注
28 pages, 8 figures and 7 tables