基于高斯过程和马蹄先验的半参数专家贝叶斯网络学习

本文提出了一种在专家贝叶斯网络（SEBN）中学习具有线性参数和结构约束的半参数关系的模型。我们使用高斯过程和马蹄先验来引入最小的非线性成分。为了优先修改专家图而非添加新边，我们优化了不同的马蹄尺度。在真实未知的数据集中，我们生成多样化的图以适应输入，解决可识别性问题并增强可解释性。在合成数据集和UCI肝脏疾病数据集上的评估，使用结构汉明距离和测试似然等指标，表明我们的模型优于最先进的半参数贝叶斯网络模型。