基于 HC-Stable 和 Tabu-Stable 算法的稳定结构学习
机器学习
2025-04-03 v1
摘要
许多贝叶斯网络结构学习算法都不稳定，所学图对任意数据集瑞疏因素（如列的排序，即变量顺序）敏感。PC-Stable 试图解决广泛使用的 PC 算法的此问题，促使研究人员使用“稳定”版本。然而，这一问题似乎在评分基于的算法中被忽视了。本研究表明，一些广泛使用的评分基于算法，以及混合和约束基于算法，包括 PC-Stable，都受到相同的問題。我们提出了一种新方案，用于基于评分的贪婪 hill-climbing，以确定稳定节点顺序，从而消除不稳定性，确保无论变量顺序如何都能获得一致结果。两种实现，HC-Stable 和 Tabu-Stable，被引入。Tabu-Stable 在所有网络中取得最高的 BIC 分数，针对分类网络实现最高的准确率。这些结果凸显了在结构学习中解决不稳定性的重要性，并为未来应用提供了稳健且实用的方法。这扩展了我们在概率图模型 2024 年所呈现的前一工作的范围和影响，通过纳入连续变量。实现及其使用说明可在 GitHub 处免费获取：https://github.com/causal-iq/discovery。
引用
@article{arxiv.2504.01740,
title = {Stable Structure Learning with HC-Stable and Tabu-Stable Algorithms},
author = {Neville K. Kitson and Anthony C. Constantinou},
journal= {arXiv preprint arXiv:2504.01740},
year = {2025}
}