贝叶斯网结构学习搜索空间分析

doi:10.3969/j.issn.1007130X.2010.

J4 ›› 2010, Vol. 32 ›› Issue (9): 122-126.doi: 10.3969/j.issn.1007130X.2010.

贝叶斯网结构学习搜索空间分析

贾海洋，陈娟，刘大有

(吉林大学计算机科学与技术学院,符号计算与知识工程教育部重点实验室,吉林长春 130012)

收稿日期:2010-03-13 修回日期:2010-06-10 出版日期:2010-09-02 发布日期:2010-09-02
作者简介:贾海洋(1977),男,吉林长春人,博士,讲师,CCF会员(E200014855M),研究方向为贝叶斯网学习、数据挖掘和知识工程；陈娟,博士,讲师,研究方向为时空推理、不确定性推理与知识工程；刘大有，教授，研究方向为知识工程与专家系统、分布式人工智能、多Agent系统、不确定性推理、空间推理、地理信息系统。
基金资助:
国家自然科学基金资助项目(60496321,60573073,60603030,60773099,60703022);国家863计划资助项目(2006AA10Z245 );教育部博士点基金资助项目(20070183057)；中央高校基本科研业务费专项资金资助——吉林大学(421032041421)

Analysis on the Searching Space of the Bayesian Networks Structure Learning

JIA Haiyang,CHEN Juan,LIU Dayou

(School of Computer Science and Technology,Key Laboratory for Symbolic Computation and
Knowledge Engineering of the Ministry of Education,Jilin University,Changchun 130012,China)

Received:2010-03-13 Revised:2010-06-10 Online:2010-09-02 Published:2010-09-02

摘要/Abstract

摘要：

贝叶斯网结构学习是一个NP难题，提高学习效率是重要研究问题之一。贝叶斯网结构空间的规模随节点(随机变量)数呈指数增加，选择适当的结构空间可以提高学习效率。本文对贝叶斯网结构空间进行定性和定量分析，对比有向图空间、贝叶斯网空间和马尔科夫等价类空间的规模和特点。通过实验数据分析先验结构空间约束对降低结构空间规模的效率，给出约束参数的选择区间。为贝叶斯网结构学习选择搜索空间和确定约束参数提供理论支持，从而提高学习效率。

关键词: 贝叶斯网, 结构学习, 搜索空间, 马尔可夫等价

Abstract:

Structure learning of the Bayesian networks is a NP hard problem, and improving the efficiency of structure learning is one of the most important problems. The size of a searching space increases exponentially with the number of vertexes, and choosing and limiting the searching space of structure learning can improve the efficiency of a learning algorithm. This paper gives a qualitative and quantitive analysis on the searching space, compares the sizes and characteristics of the directed graph, the directed acyclic graph and the Markov equivalence class space. Based on the experiment data, we analyse the efficiency of constraining the prior structure space, and give an advice on choosing the parameters. These analyses are helpful when choosing the searching space and defining the parameters of constraints, thus improving the efficiency of structure learning.

Key words: Bayesian networks;structural learning;searching space;Markov equivalence

贾海洋，陈娟，刘大有. 贝叶斯网结构学习搜索空间分析[J]. J4, 2010, 32(9): 122-126.

JIA Haiyang,CHEN Juan,LIU Dayou. Analysis on the Searching Space of the Bayesian Networks Structure Learning[J]. J4, 2010, 32(9): 122-126.

编辑推荐

Metrics

阅读次数

全文

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	0	0	30

来源	本网站	其他网站

次数	21	9
比例	70%	30%

摘要

最新录用	在线预览	正式出版

0	0	34

	来源	本网站

	次数	34
	比例	100%

[1]	郭文强, 寇馨, 李梦然, 侯勇严, 肖秦琨. 小数据集情况下基于变权重融合的BN参数学习算法[J]. 计算机工程与科学, 2022, 44(05): 916-923.
[2]	艾阳阳，罗莉，杨庆娜，张恒浩，夏婷婷. 一种基于贝叶斯网络的随机测试方法在Cache一致性验证中的设计与实现[J]. 计算机工程与科学, 2017, 39(08): 1397-1402.
[3]	周伟1，赵宝康1，刘波1，吴少康1，李琰1，刘华1,2. 基于动态贝叶斯网络的健壮报头压缩算法[J]. 计算机工程与科学, 2017, 39(01): 61-66.
[4]	贾松浩，杨彩，张海玉. 利用节点顺序置信指导增量学习贝叶斯网络的研究与应用[J]. J4, 2013, 35(6): 96-100.
[5]	朱志勇1，徐长梅1，刘志兵1，胡晨刚2. 基于贝叶斯网络的客户流失分析研究[J]. J4, 2013, 35(3): 155-158.
[6]	潘章明，唐川. 搜索空间边界连接的微粒群优化算法[J]. J4, 2012, 34(7): 154-159.
[7]	李义杰,蒋靖,程政. 基于贝叶斯网络的软件项目进度管理模型[J]. J4, 2011, 33(11): 140-143.
[8]	程环环，王润生. 利用贝叶斯网络融合空间上下文的高分辨遥感图像分类[J]. J4, 2011, 33(1): 70-76.
[9]	汪春亮1，2,伏玉琛2. 一种针对非平衡数据的贝叶斯分类算法[J]. J4, 2010, 32(7): 95-98.
[10]	车璐,郭春生. 贝叶斯网络的无损分解[J]. J4, 2010, 32(4): 151-153.
[11]	喻晓锋, 秦春影. 一种改进的贝叶斯网弧定向算法研究[J]. J4, 2010, 32(3): 82-84.
[12]	周清[1] 林拉[1] 王红[2] 杨红飞[2]. 基于贝叶斯网络的学生模型在测试系统的应用研究[J]. J4, 2008, 30(3): 21-23.
[13]	贾海洋[1] 刘大有[2] 陈娟[1] 关淞元[1]. 贝叶斯网等价类学习算法[J]. J4, 2008, 30(12): 63-67.
[14]	徐计张桂芸. 基于贝叶斯网络的一种牛奶产量预测研究[J]. J4, 2008, 30(10): 15-18.
[15]	陈琳黄杰龚正虎. 一种网络环境中故障诊断与维修决策方法[J]. J4, 2006, 28(2): 36-38.

贝叶斯网结构学习搜索空间分析

Analysis on the Searching Space of the Bayesian Networks Structure Learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价