从数据中学习结构是贝叶斯网络研究最重要的基本任务之一。 特别地,学习贝叶斯网络的可选结构是一个不确定的多项式时间(NP)难题。 为了解决这个问题,已经提出了许多启发式算法,并且其中一些在不同类型的先验知识的帮助下学习贝叶斯网络结构。 然而,现有算法对先验知识有一些限制,例如质量限制和使用限制。 这使得很难在这些算法中很好地利用先验知识。 在本文中,我们将先验知识引入了马尔可夫链蒙特卡洛(MCMC)算法,并提出了一种称为约束MCMC(C-MCMC)算法的算法来学习贝叶斯网络的结构。 定义了三种类型的先验知识:父节点的存在,父节点的不存在以及分布知识,包括边缘的条件概率分布(CPD)和节点的概率分布(PD)。 所有这些类型的先验知识都可以轻松地用在该算法中。 我们进行了广泛的实验,以证明所提出的方法C-MCMC的可行性和有效性。
2022-12-05 16:39:31
1024KB
研究论文
1