利用蒙特卡洛树搜索增强贝叶斯网络结构学习
机器学习
2025-02-04 v1
摘要
本文提出了MCTS-BN，这是对蒙特卡洛树搜索（MCTS）算法的一种改进，用于贝叶斯网络（BNs）的结构学习。MCTS最初是为博弈树探索而设计的，现已被重新用于解决学习BN结构的挑战，即通过探索贝叶斯网络中潜在祖先序的搜索空间。然后，它采用爬山法（HC）从每个序中推导出贝叶斯网络结构。在大型BNs中，变量序的搜索空间变得巨大，在rollout阶段使用完全随机的序通常不可靠且不切实际。我们采用一种半随机化方法来解决这一挑战，即纳入从其他启发式搜索算法（如贪婪等价搜索（GES）、PC或HC本身）获得的变量序。这种混合策略减轻了计算负担，并增强了rollout过程的可靠性。实验评估证明了MCTS-BN在改进由传统结构学习算法生成的BNs方面的有效性，即使在基础算法序次优的情况下也表现出稳健的性能，并在提供有利序时超越了黄金标准。
引用
@article{arxiv.2502.01527,
title = {Enhancing Bayesian Network Structural Learning with Monte Carlo Tree Search},
author = {Jorge D. Laborda and Pablo Torrijos and José M. Puerta and José A. Gámez},
journal= {arXiv preprint arXiv:2502.01527},
year = {2025}
}