学习选择性条件森林结构及其在动态贝叶斯网络和分类中的应用
机器学习
2012-06-26 v1 机器学习
摘要
使用最大后验（MAP）估计或贝叶斯模型平均（BMA）处理贝叶斯网络结构中的不确定性通常是难以处理的，因为可能的有向无环图数量是超指数的。当先验是可分解的时，可以进行有效学习的两类图是树结构和具有有限入度的固定排序。我们展示了如何针对有序变量集高效计算选择性条件森林（SCF）的MAP估计和BMA，SCF是这两类图的组合。我们将SCF应用于时间数据，以学习具有时间步内森林和时间步间有限入度结构的动态贝叶斯网络，与没有这种结构组合的DBN相比，提高了模型准确性。我们还将SCF应用于贝叶斯网络分类，以学习选择性森林增强朴素贝叶斯分类器。我们基于经验证据认为，选择性增强贝叶斯分类器的内置特征选择使其优于类似的非选择性分类器。
引用
@article{arxiv.1206.5281,
title = {Learning Selectively Conditioned Forest Structures with Applications to DBNs and Classification},
author = {Brian D. Ziebart and Anind K. Dey and J Andrew Bagnell},
journal= {arXiv preprint arXiv:1206.5281},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Third Conference on Uncertainty in Artificial Intelligence (UAI2007)