面向高效局部到全局贝叶斯网络结构学习的特征选择
机器学习
2021-12-21 v1
摘要
局部到全局学习方法在贝叶斯网络（BN）结构学习中起着重要作用。现有局部到全局学习算法首先通过学习数据集中每个变量的 MB（马尔可夫毯）或 PC（父节点与子节点）来构建 DAG（有向无环图）的骨架，然后对骨架中的边定向。然而，现有 MB 或 PC 学习方法通常计算代价高昂，尤其在大规模 BN 中，导致局部到全局学习算法效率低下。为解决该问题，本文开发了一种基于特征选择的高效局部到全局学习方法。具体而言，我们首先分析了著名的 Minimum-Redundancy and Maximum-Relevance（MRMR，最小冗余最大相关）特征选择方法用于学习变量 PC 集的原理。基于该分析，我们提出了一种高效的 F2SL（基于特征选择的结构学习）方法用于局部到全局 BN 结构学习。F2SL 方法首先采用 MRMR 方法学习 DAG 骨架，然后对骨架中的边定向。采用独立性检验或评分函数进行边定向，我们将 F2SL 方法实例化为两种新算法：F2SL-c（使用独立性检验）和 F2SL-s（使用评分函数）。与最先进的局部到全局 BN 学习算法相比，实验验证了本文所提算法更高效，且提供具有竞争力的结构学习质量。
引用
@article{arxiv.2112.10369,
title = {Feature Selection for Efficient Local-to-Global Bayesian Network Structure Learning},
author = {Kui Yu and Zhaolong Ling and Lin Liu and Hao Wang and Jiuyong Li},
journal= {arXiv preprint arXiv:2112.10369},
year = {2021}
}