LSBN：一种用于模型平均的大规模贝叶斯结构学习框架
机器学习
2012-10-19 v1 机器学习
摘要
本文的动机是在大规模网络中应用基于模型平均的贝叶斯结构学习。目前，贝叶斯模型平均算法仅适用于包含数十个变量的网络，受限于其超指数复杂度。我们提出了一种名为 LSBN（Large-Scale Bayesian Network）的新框架，遵循分治原则，使其能够处理无限规模的网络。LSBN 方法包含三个步骤：总体而言，LSBN 首先使用二阶划分策略进行划分，以获得更稳健的结果；在通过马尔可夫毯将社区与其他变量隔离后，LSBN 在每个重叠社区内进行采样和结构学习；最后，LSBN 采用一种高效算法将重叠社区的结构合并为一个整体。与 ARACNE、PC、Greedy Search 和 MMHC 等其他四种先进的大规模网络结构学习算法相比，LSBN 在五个常用基准数据集上通过精确率、召回率和 F 分数评估显示出相当的结果。此外，LSBN 使得学习以往难以处理的大规模贝叶斯结构成为可能。总之，LSBN 为网络结构重构提供了一个可扩展且并行的框架。此外，重叠社区的完整信息作为副产品，可用于挖掘生物网络（如蛋白质 - 蛋白质相互作用网络或基因调控网络）以及社交网络中有意义的簇。
引用
@article{arxiv.1210.5135,
title = {LSBN: A Large-Scale Bayesian Structure Learning Framework for Model Averaging},
author = {Yang Lu and Mengying Wang and Menglu Li and Qili Zhu and Bo Yuan},
journal= {arXiv preprint arXiv:1210.5135},
year = {2012}
}
备注
13 pages, 6 figures