資源描述：
《貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)研究-論文.pdf》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、第22卷第17期電子設(shè)計工程2014年9月VoI．22No．17ElectronicDesignEngineeringSep．2014貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)研究殷陶(上海交通大學(xué)計算機(jī)系，上海200240)摘要：針對貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法難以兼顧高準(zhǔn)確率和高效率的問題，提出了一種基于MarkovChainMonteCarlo(MCMC)~-法的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法的改進(jìn)。改進(jìn)包括：使用依賴關(guān)系分析，利用統(tǒng)計學(xué)的方法對采樣空間進(jìn)行大幅縮減，能夠在精確控制準(zhǔn)確度的情況下大幅提高時間效率；結(jié)合先驗知識，從理論角度將先驗知識融
2、入評分中得到完全服從后驗分布的結(jié)果；搜索最優(yōu)子結(jié)構(gòu)，對于特定的一些結(jié)構(gòu)搜索最優(yōu)子結(jié)構(gòu)而不是采用貪心的方法，提高了貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的準(zhǔn)確率。通過理論分析可以證明時間復(fù)雜度得到了大幅的降低。并且可以在犧牲可預(yù)知的準(zhǔn)確率的情況下，將指數(shù)時間復(fù)雜度降為線性時間。大量的數(shù)據(jù)實驗表明，經(jīng)改進(jìn)后的方法在時間和準(zhǔn)確性上都具有良好的表現(xiàn)。關(guān)鍵詞：貝葉斯網(wǎng)絡(luò)學(xué)習(xí)；時間效率；獨立性檢測；最優(yōu)子結(jié)構(gòu)；先驗知~．；MarkovChainMonteCarlo(MCMC)中圖分類號：TP3l1文獻(xiàn)標(biāo)識碼：A文章編號：1674—6236(2014
3、)17—005—04BayesiannetworkstructurelearningmethodstudyYINTao(DepartmentofComputerScienceandEngineering,ShanghaiJiaotongUniversity，Shanghai200240，China)Abstract：ForthedificultiesoflearningthestructureofBayesiannetworkbothhishaccuracyandhisheficiency,weproposedana
4、daptivemethodbasedonMarkovChainMonteCarlo(MCMC)method．ImprovementsincludeDependencyanalysis；usingstatisticalmethodstosubstantiallyreducethesamplingspace，wecancontroltheaccuracyandsubstantialincreasethetimeeficiency．Combinedwithprioriknowledge；fromthetheoretical
5、point,wecanaddprioriknowledgetothescorewhichexactlyobeytheposteriordistribution．Searchforoptimalsubstructure；searchforoptimalsubstructureofsomespecificstructurewillgetthehighaccuracyoflearningBayesiannetworkratherthangreedymethods．Bytheoreticalanalysiswecanprov
6、ethetimecomplexityissignificantlyreduced．Undertheexpenseoftheaccuracywhichcanpredict,wecanreducethetimecomplexityfromexponentiallineartime．Largeamountsofdataexperimentsshowthattheimprovedmethodhasgoodperformancebothintimeandaccuracy．Keywords：Bayesiannetworkstru
7、cturelearning；timeeficiency；independencetest；optimalsubstructure；prioriknowledge；MarkovChainMonteCarlo(MCMC)在已知數(shù)據(jù)中進(jìn)行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)是一個重要的確性難以保證，特別是在高維的情況下很難讓人信服?；趩栴}，在近些年中也得到了廣泛和深入的研究。貝葉斯網(wǎng)絡(luò)采樣的方法中最常使用的方法就是MCMC采樣，其優(yōu)點在于成功的應(yīng)用在多個領(lǐng)域，諸如：生物信息學(xué)，計算機(jī)視覺，經(jīng)從理論上可以保證解的最優(yōu)性。但是往往在實際應(yīng)用中
8、計算濟(jì)學(xué)等。貝葉斯網(wǎng)絡(luò)是一個有向無環(huán)圖(directedacyclic復(fù)雜度是不可行的，除非只有很少的結(jié)點。本文提出一種改graph，DAG)，其結(jié)構(gòu)表明了數(shù)據(jù)間的條件獨立性和因果關(guān)進(jìn)的方法，在基于MCMC采樣方法上使用一些帶有啟發(fā)式系。貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)數(shù)隨著結(jié)點個數(shù)的增長呈超指數(shù)增長。信息，在具有嚴(yán)格理論支持的置信度控制下大幅縮減樣本空因此，無
