学习贝叶斯网络结构：狄利克雷先验与数据
机器学习
2012-06-18 v1 统计方法学
机器学习
摘要
在贝叶斯方法进行图模型结构学习中，模型参数上的狄利克雷先验中的等效样本大小（ESS）最近被证明对贝叶斯网络结构的最大后验估计有重要影响。在我们的第一个贡献中，我们从理论上分析了ESS值较大的情况，这补充了先前的工作：在其他结果中，我们发现即使狄利克雷先验和数据都暗示独立性，只要条件经验分布明显不同于均匀分布，贝叶斯网络中边的存在比不存在更受青睐。在我们的第二个贡献中，我们关注实际的ESS值，并提供了一个在预测意义上“最优”ESS值的解析近似（其准确性也通过实验验证）：这个近似提供了对数据哪些属性主要影响确定“最优”ESS值的理解。
引用
@article{arxiv.1206.3287,
title = {Learning the Bayesian Network Structure: Dirichlet Prior versus Data},
author = {Harald Steck},
journal= {arXiv preprint arXiv:1206.3287},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Fourth Conference on Uncertainty in Artificial Intelligence (UAI2008)