基于节点平均似然从不完整数据学习贝叶斯网络
统计理论
2021-07-23 v5 机器学习
统计理论
摘要
从完整数据学习贝叶斯网络（BN）结构已在文献中被广泛研究。然而，针对不完整数据的理论结果较少，且大多与期望最大化（EM）算法相关。Balov（2013）提出了一种称为节点平均似然（NAL）的替代方法，其与 EM 竞争力相当但计算效率更高；并证明了其在离散 BN 上的一致性与模型可辨识性。本文中，我们给出 NAL 一致性的通用充分条件；并证明其在条件高斯 BN 上的一致性与可辨识性，条件高斯 BN 以离散和高斯 BN 为特例。此外，我们通过独立的模拟研究确认了我们的结果及 Balov（2013）中的结果。因此我们表明，NAL 的适用性远比 Balov（2013）中原先所指广泛，且其在条件高斯 BN 上与 EM 竞争力相当。
引用
@article{arxiv.2004.14441,
title = {Learning Bayesian Networks from Incomplete Data with the Node-Average Likelihood},
author = {Tjebbe Bodewes and Marco Scutari},
journal= {arXiv preprint arXiv:2004.14441},
year = {2021}
}
备注
27 pages, 5 figures