基于评分的贝叶斯网络结构学习中的剪枝研究
机器学习
2020-08-04 v2 机器学习
摘要
许多用于基于评分的贝叶斯网络结构学习（BNSL）的算法，尤其是精确算法，以数据中每个变量的一组潜在最优父节点集作为输入。朴素地构造此类集合计算密集，因为父节点集的数量随变量数指数增长。因此，剪枝技术不仅可取而且必不可少。尽管针对贝叶斯信息准则（BIC）已有良好的剪枝规则，当前针对贝叶斯狄利克雷等价均匀（BDeu）评分的结果仅 modest 地缩减搜索空间，阻碍了（常更受青睐的）BDeu的使用。我们推导出BDeu评分新的非平凡理论上限，相较现有最优结果有显著改进。由于新边界经数学证明比先前更紧且额外计算成本很小，它们是BNSL方法中有前景的补充。
引用
@article{arxiv.1905.09943,
title = {On Pruning for Score-Based Bayesian Network Structure Learning},
author = {Alvaro H. C. Correia and James Cussens and Cassio de Campos},
journal= {arXiv preprint arXiv:1905.09943},
year = {2020}
}