贝叶斯网络结构划分式混合学习
机器学习
2021-03-24 v1 机器学习
摘要
我们提出了一种称为划分式混合贪婪搜索（pHGS）的贝叶斯网络结构学习新混合方法，由三种不同但兼容的新算法组成：划分式 PC（pPC）通过分治策略加速骨架学习，p 值邻接阈值化（PATH）通过单次执行有效完成参数调优，混合贪婪初始化（HGI）最大化利用基于约束的信息以获得用于贪婪搜索的高分且性能良好的初始图。我们建立了算法在大样本极限下的结构学习一致性，并通过广泛的数值比较单独及整体实证验证了我们的方法。pPC 与 PATH 相结合的优点在计算量较 PC 算法显著减少的同时不牺牲估计结构的准确性，而我们普遍适用的 HGI 策略以可忽略的额外计算开销可靠地提升了流行混合算法的结构估计准确性。我们的实证结果表明 pHGS 相对于许多最先进的结构学习算法具有优越的实证性能。
引用
@article{arxiv.2103.12188,
title = {Partitioned hybrid learning of Bayesian network structures},
author = {Jireh Huang and Qing Zhou},
journal= {arXiv preprint arXiv:2103.12188},
year = {2021}
}
备注
44 pages