学习贝叶斯网络正确结构所需样本数
机器学习
2012-07-02 v1 人工智能
机器学习
摘要
贝叶斯网络（Bayesian Networks, BNs）是提供联合概率分布自然且紧凑表示的有效工具。在许多应用中，需要从数据中学习贝叶斯网络（BN）。在此背景下，理解保证成功学习所需的样本数非常重要。先前的工作已经研究了 BN 的样本复杂度，但主要集中在学习到的分布接近生成数据的原始分布这一要求上。在本工作中，我们研究学习的另一个方面，即学习网络正确结构所需的样本数。我们给出了在大样本极限下有效的渐近结果，以及展示可行样本规模下学习行为的实验结果。我们表明，与逼近正确分布相比，结构学习是一项更困难的任务，因为无论学习者可用的计算能力如何，它都需要多得多的样本数。
引用
@article{arxiv.1206.6862,
title = {On the Number of Samples Needed to Learn the Correct Structure of a Bayesian Network},
author = {Or Zuk and Shiri Margel and Eytan Domany},
journal= {arXiv preprint arXiv:1206.6862},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Second Conference on Uncertainty in Artificial Intelligence (UAI2006)