关于学习贝叶斯网络中的局部最优解
机器学习
2012-12-12 v1 人工智能
机器学习
摘要
本文提出并评估了-贪心等价搜索算法（KES），用于从完整数据中学习贝叶斯网络（BNs）。KES 的主要特征是允许在贪心性与随机性之间进行权衡，从而探索不同的优良局部最优解。当贪心性设为最大时，KES 对应于贪心等价搜索算法（GES）。当贪心性保持最小时，我们证明在温和假设下，KES 以非零概率渐近地返回任何包含最优的 BN。针对合成数据和真实数据的实验结果表明，KES 往往能找到比 GES 更好的局部最优解。此外，我们利用 KES 通过实验证实，不同局部最优解的数量通常非常巨大。
引用
@article{arxiv.1212.2500,
title = {On Local Optima in Learning Bayesian Networks},
author = {Jens D. Nielsen and Tomas Kocka and Jose M. Pena},
journal= {arXiv preprint arXiv:1212.2500},
year = {2012}
}
备注
Appears in Proceedings of the Nineteenth Conference on Uncertainty in Artificial Intelligence (UAI2003)