用于马尔可夫网络结构学习的 IBMAP 方法
人工智能
2014-08-10 v2 机器学习
摘要
在本文中，我们考虑从数据中学习马尔可夫网络结构的问题。我们提出了一种解决该问题的方法，称为 IBMAP，以及该方法的一个高效实例化：IBMAP-HC 算法，旨在避免现有基于独立性算法的重要局限性。这些算法通过对数据执行统计独立性检验来运行，并完全信任每次检验的结果。在实践中，检验可能是不正确的，从而导致潜在的级联错误，并随之降低所学结构的质量。IBMAP 通过概率最大后验（maximum-a-posteriori）方法来考虑检验结果中的这种不确定性。该方法在 IBMAP-HC 算法中得以实例化，这是一种在可能结构空间中执行多项式启发式局部搜索的结构选择策略。我们在合成数据和真实数据上进行了广泛的实证评估，结果表明，在数据效率和所学结构质量方面，我们的算法显著优于当前的基于独立性的算法，且具有同等的计算复杂度。我们还展示了 IBMAP-HC 在知识发现现实应用中的性能：EDA，这是一种在每一代使用结构学习来对种群分布进行建模的进化算法。实验表明，当使用 IBMAP-HC 学习结构时，EDA 提高了对最优解的收敛性。
引用
@article{arxiv.1301.3720,
title = {The IBMAP approach for Markov networks structure learning},
author = {Federico Schlüter and Facundo Bromberg and Alejandro Edera},
journal= {arXiv preprint arXiv:1301.3720},
year = {2014}
}