一种基于随机抽样的贝叶斯网络结构学习算法

被引：2

作者：

胡春玲

胡学钢

机构：

[1] 合肥工业大学计算机与信息学院

来源：

计算机科学 | 2009年 / 36卷 / 02期

基金：

安徽省自然科学基金;

关键词：

贝叶斯网络; 结构学习; 随机抽样; 马尔可夫链; 建议分布;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对贝叶斯网络的结构学习问题,基于并行随机抽样的思想提出了结构学习算法PCMHS,构建多条并行的收敛于Boltzmann分布的马尔可夫链。首先基于节点之间的互信息,进行所有马尔可夫链的初始化,在其迭代过程中,基于并行的MHS抽样总体得到产生下一代个体的建议分布,并通过对网络中弧和子结构的抽样产生下一代个体。算法PCMHS收敛于平稳分布,具有良好的学习精度,而该算法又通过使其初始分布和建议分布近似于其平稳分布,有效提高了马尔可夫链的收敛速度。在标准数据集上的实验结果验证了算法PCMHS的学习效率和学习精度明显优于经典算法MHS和PopMCMC。

引用

页码：199 / 202

页数：4

共 6 条

[1]

Population Markov Chain Monte Carlo[J] . Kathryn Blackmond Laskey,James W. Myers.Machine Learning . 2003 (1)

[2] Improving Markov Chain Monte Carlo Model Search for Data Mining [J].

Paolo Giudici ;

Robert Castelo .

Machine Learning, 2003, 50 :127-158

[3]

Being Bayesian About Network Structure. A Bayesian Approach to Structure Discovery in Bayesian Networks[J] . Nir Friedman,Daphne Koller.Machine Learning . 2003 (1)

[4]

An Introduction to MCMC for Machine Learning[J] . Christophe Andrieu,Nando de Freitas,Arnaud Doucet,Michael I. Jordan.Machine Learning . 2003 (1)

[5]

Learning Bayesian networks from data: An information-theory based approach[J] . Jie Cheng,Russell Greiner,Jonathan Kelly,David Bell,Weiru Liu.Artificial Intelligence . 2002 (1)

[6]

An efficient data mining method for learning Bayesian networks using an evolutionary algorithm-based hybrid approach .2 M. L. Wong,K. S. Leung. IEEE Transactions on Evolutionary Computation . 2004

← 1 →