在存在结构侧信息条件下学习贝叶斯网络
机器学习
2021-12-22 v1
摘要
我们研究在可获得关于系统的结构侧信息时，学习一组变量的贝叶斯网络（BN）的问题。众所周知，学习一般BN的结构在计算和统计上均具挑战性。然而，在许多应用中，关于底层结构的侧信息有可能降低学习复杂度。本文中，我们开发了一种递归基于约束的算法，将此类知识（即侧信息）高效地融入学习过程。具体地，我们研究关于底层BN的两类结构侧信息：（I）其团数上界已知，或（II）其为无钻石图（diamond-free）。我们给出了学习算法的理论保证，包括各情形下所需测试的最坏情况数量。作为我们工作的结果，我们表明有界树宽的BN可以多项式复杂度学习。此外，我们在合成与真实世界结构上评估了算法的性能与可扩展性，并显示它们优于最先进的结构学习算法。
引用
@article{arxiv.2112.10884,
title = {Learning Bayesian Networks in the Presence of Structural Side Information},
author = {Ehsan Mokhtarian and Sina Akbari and Fateme Jamshidi and Jalal Etesami and Negar Kiyavash},
journal= {arXiv preprint arXiv:2112.10884},
year = {2021}
}
备注
20 pages, 7 figures, 5 tables, AAAI 2022 conference