基于评分与混合结构学习中的高维一致性
统计理论
2018-02-06 v6 统计方法学
统计理论
摘要
学习贝叶斯网络的主要方法可分为基于约束、基于评分或混合方法。尽管基于约束的方法（如 PC 算法）已有高维一致性结果，但基于评分或混合方法尚未得到此类证明，且大多数混合方法甚至在变量数固定、样本量趋于无穷的经典设定中也未显示出一致性。本文中，我们证明基于贪婪等价搜索（GES）的混合方法可通过依赖于算法当前状态的自适应搜索空间限制在经典设定中实现一致性。此外，我们在若干稀疏高维设定中证明了 GES 和自适应限制 GES（ARGES）的一致性。ARGES 可很好地扩展到具有数千变量的稀疏图，我们的模拟研究表明 GES 和 ARGES 通常优于 PC 算法。
引用
@article{arxiv.1507.02608,
title = {High-dimensional consistency in score-based and hybrid structure learning},
author = {Preetam Nandy and Alain Hauser and Marloes H. Maathuis},
journal= {arXiv preprint arXiv:1507.02608},
year = {2018}
}
备注
37 pages, 5 figures, 41 pages supplement (available as an ancillary file)