研究多目标优化在学习贝叶斯网络中的性能
机器学习
2021-07-22 v2 机器学习
摘要
近几十年来，贝叶斯网络已广泛用于许多领域，以描述随机变量间的统计依赖关系。一般而言，学习此类模型的结构是一个具有相当理论兴趣且带来诸多挑战的问题。一方面，它是众所周知的NP完全问题，因可能解的巨大搜索空间而在实践中更为困难。另一方面，I等价现象（即支撑同一组统计依赖的不同图结构）可能导致多模态适应度地形，进一步阻碍用最大似然方法求解该任务。特别地，我们利用NSGA-II多目标优化过程，通过将解的似然与所选弧的数量设为该方法的两个目标函数，来显式考量二者。本工作的目的是研究NSGA-II的行为并分析其解的质量。因此我们详尽考察了在广泛模拟数据上获得的优化结果，既考虑所推断解就所达目标函数值而言的优度，又将检索到的结构与真值（即用于生成目标数据的网络）比较。我们的结果表明，NSGA-II可收敛到比经典方法似然更好且弧更少的解，尽管矛盾的是在许多情况下其与目标网络的相似度较低。
引用
@article{arxiv.1808.01345,
title = {Investigating the performance of multi-objective optimization when learning Bayesian Networks},
author = {Paolo Cazzaniga and Marco S. Nobile and Daniele Ramazzotti},
journal= {arXiv preprint arXiv:1808.01345},
year = {2021}
}