非参数贝叶斯网络的迁移学习
机器学习
2026-04-06 v2 人工智能
摘要
本文介绍了两种用于在稀疏数据下估计非参数贝叶斯网络的迁移学习方法。我们提出了两种算法：一种称为 PC-stable-transfer learning (PCS-TL) 的约束基结构学习方法，一种称为 hill climbing transfer learning (HC-TL) 的评分基方法。我们还定义了特定的指标来处理每种方法中的负迁移问题，即迁移学习对模型性能产生负面影响的情形。然后，对于参数，我们提出了一种 log-linear pooling 方法。在评估方面，我们学习核密度估计贝叶斯网络，这是一种非参数贝叶斯网络的类型，并将其迁移学习性能与单独使用的模型进行比较。为此，我们从小型、中型和大型人工合成网络和数据集中抽取数据，并从 UCI 机器学习存储库中获取数据集。然后，我们向这些数据集添加噪声和修改，以测试其避免负迁移的能力。最后，我们进行 Friedman 检验并进行 Bergmann-Hommel 事后分析，以显示我们方法实验行为增强的统计学证据。因此，PCS-TL 和 HC-TL 证明是可靠的算法，能够提高稀疏数据下非参数贝叶斯网络学习性能，这在实际工业环境中意味着部署网络所需时间的减少。
关键词
引用
@article{arxiv.2604.01021,
title = {Transfer learning for nonparametric Bayesian networks},
author = {Rafael Sojo and Pedro Larrañaga and Concha Bielza},
journal= {arXiv preprint arXiv:2604.01021},
year = {2026}
}
备注
An earlier version was previously posted on SSRN. This version includes improvements in experiments and evaluation metrics following reviewer comments. Revision submitted to Knowledge-Based Systems