贝叶斯网络结构学习：不同算法方案效果的定量评估
机器学习
2018-08-07 v2 人工智能
机器学习
摘要
采用贝叶斯网络（BNs）时最具挑战性的任务之一是从数据中学习其结构。该任务因可能解的庞大搜索空间以及该问题是 NP-hard 的事实而变得复杂。因此，对所有可能解进行完全枚举并非总是可行，且常常需要近似。然而，据我们所知，针对解决此问题的不同启发式方法的性能与特征，此前从未有过定量分析。为此，在本工作中，我们对模拟数据上许多不同的前沿结构学习方法进行了详细比较，同时考虑了具有离散和连续变量的贝叶斯网络，以及数据中不同比例的噪声。特别地，我们研究了用于推断的不同广泛使用的评分与算法方法的性能，以及它们内部的统计缺陷。
引用
@article{arxiv.1704.08676,
title = {Learning the structure of Bayesian Networks: A quantitative assessment of the effect of different algorithmic schemes},
author = {Stefano Beretta and Mauro Castelli and Ivo Goncalves and Roberto Henriques and Daniele Ramazzotti},
journal= {arXiv preprint arXiv:1704.08676},
year = {2018}
}