具有丢失数据的贝叶斯网络结构学习算法

被引：3

作者：

孙岩 ^{[1
]}

唐一源 ^{[2
]}

机构：

[1] 辽宁师范大学计算机与信息技术学院

[2] 大连理工大学神经信息学研究所

来源：

计算机工程与设计 | 2008年 / 01期

关键词：

KL散度; Gibbs取样; 结构学习; 丢失数据; 贝叶斯网络;

D O I：

10.16208/j.issn1000-7024.2008.01.080

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

摘要：

学习具有丢失数据的贝叶斯网络结构主要采用结合EM算法的打分—搜索方法,其效率和可靠性比较低。针对此问题建立一个新的具有丢失数据的贝叶斯网络结构学习算法。该方法首先用Kullback-Leibler(KL)散度来表示同一结点的各个案例之间的相似程度,然后根据Gibbs取样来得出丢失数据的取值。最后,用启发式搜索完成贝叶斯网络结构的学习。该方法能够有效避免标准Gibbs取样的指数复杂性问题和现有学习方法存在的主要问题。

引用

页码：142 / 143+250 +250

页数：3

共 4 条

[1] 具有丢失数据的贝叶斯网络结构学习研究
王双成
苑森淼
[J]. 软件学报, 2004, (07) : 1042 - 1048
[2] 基于遗传算法的Bayesian网结构学习研究
刘大有
王飞
卢奕南
薛万欣
王松昕
[J]. 计算机研究与发展, 2001, (08) : 916 - 922
[3] Application of a data-mining method based on Bayesian networks to lesion-deficit analysis
Herskovits, EH
Gerring, JP
[J]. NEUROIMAGE, 2003, 19 (04) : 1664 - 1673
[4] Jie Cheng,Russell Greiner,Jonathan Kelly,David Bell,Weiru Liu.Learning Bayesian networks from data: An information-theory based approach[J].Artificial Intelligence,2002(1)

← 1 →