基于 Tsetlin 机器约束搜索空间的可扩展贝叶斯网络结构学习
机器学习
2025-11-25 v1
摘要
PC 算法是因果推断中广泛使用的方法，用于学习贝叶斯网络的结构。尽管其流行，但 PC 算法在数据规模增大时 suffers significant time complexity，这限制了其在大规模实际问题中的适用性。本研究提出了一种新方法，利用 Tsetlin 机器 (TM) 更高效地构建贝叶斯结构。该方法利用从 TM 中提取的最重要的文字构成条件独立 (CI) 测试，而非对全部变量进行测试，从而显著降低计算时间。我们实现了该方法并将其与 various state-of-the-art methods 进行比较。我们的评估包括来自 bnlearn 存储库的分类数据集，如 Munin1、Hepar2。结果表明，所提出的 TM-based 方法不仅降低了计算复杂度，还在因果发现中保持竞争的准确性，为在不牺牲性能的情况下提供了传统 PC 算法实现的可行替代方案。
引用
@article{arxiv.2511.19272,
title = {Tiny-TSM: Efficiently Training a Lightweight SOTA Time Series Foundation Model},
author = {Felix Birkel},
journal= {arXiv preprint arXiv:2511.19272},
year = {2025}
}