×
阿里·卡里姆内扎德;法希梅·莫拉迪

贝叶斯参数学习与应用。 （英语） Zbl 1394.62026号

Metron公司 74，第1期，61-74（2016）.
摘要：本文研究贝叶斯网络参数学习过程中的先验不确定性。在文献中的大多数研究中，参数学习基于两个众所周知的标准，即最大似然和最大后验概率。在存在先验信息的情况下，文献中有大量的情况，其中最大后验估计被计算为期望估计，但在这些研究中，它使用背后的观点似乎并不是基于损失函数的观点。在本文中，我们回顾了最大后验估计量作为零损失函数下的Bayes估计量，并对零损失进行了批判，我们建议在过度学习和欠学习需要引起严重关注时，使用广义熵损失函数作为有用的损失。在先验信息被污染的情况下，我们考虑了先验不确定性，扩展了参数学习的行为。为了解决现实世界中的问题，我们进行了一个模拟程序来研究所建议的估计的行为。最后，为了寻求改变所选先验超参数对学习过程的影响，我们对一些所选超参数进行了敏感性分析。

理学硕士：

2015年1月62日 贝叶斯推断
68层35 人工智能语言和软件系统理论（基于知识的系统、专家系统等）
68T05型 人工智能中的学习和自适应系统

关键词：

贝叶斯估计;贝叶斯网络;受污染的先兆;有向无圈图;广义熵损失函数;学习程序

软件：

TETRAD公司
PDF格式BibTeX公司 XML格式引用
\textit{A.Karimnezhad}和\textit{F.Moradi}，Metron 74，No.1，61-74（2016；Zbl 1394.62026）
全文： 内政部

参考文献：

[1] J.O.伯杰：《统计决策理论与贝叶斯分析》，第2版。施普林格，纽约（1985）·Zbl 0572.62008号 ·doi:10.1007/978-1-4757-4286-2
[2] Boratynska，A.：集体风险模型中保险费的后验遗憾Γ-极小极大估计。阿斯汀公牛。38, 277-291 (2008) ·Zbl 1169.91383号 ·doi:10.2143/AST.38.1.2030414
[3] W.L.邦廷：贝叶斯网络的理论完善。摘自：《第七届人工智能不确定性会议论文集》，第52-60页。摩根考夫曼出版社（1991）
[4] Calabria，R.，Pulcini，G.：威布尔分布贝叶斯估计的工程方法。微选。Reliab公司。34, 789-802 (1994) ·Zbl 0825.62167号 ·doi:10.1016/0026-2714（94）90004-3
[5] Cheng，J.、Greiner，R.、Kelly，J.，Bell，D.、Liu，W.：从数据中学习贝叶斯网络：一种基于信息理论的方法。Artif公司。英特尔。J.137，43-90（2002）·兹比尔0995.68114 ·doi:10.1016/S0004-3702（02）00191-1
[6] Cooper，G.F.，Herskovits，E.H.：从数据中归纳概率网络的贝叶斯方法。机器。学习。9(4), 309-347 (1991) ·Zbl 0766.68109号
[7] Cowell，R.G.：条件独立性和评分方法导致贝叶斯网络模型相同选择的条件。摘自：第十七届人工智能不确定性会议记录，第91-97页。摩根考夫曼出版公司（2001）
[8] de Campos，L.M.：基于互信息和条件独立性测试的贝叶斯网络学习评分函数。J.机器学习。第7号决议，2149-2187（2006年）·Zbl 1222.62036号
[9] de Campos，C.P.，Qiang，J.：使用约束改进贝叶斯网络参数学习。摘自：第19届模式识别国际会议，第1-4页。IEEE（2008）
[10] Dey，D.K.，Ghosh，M.，Srinivasan，C.：熵损失下参数的同时估计。J.统计计划。推论15，347-363（1987）·Zbl 0609.62009 ·doi:10.1016/0378-3758（86）90108-4
[11] Dey，D.K.，Liu，P.L.：关于广义寿命模型中估计量的比较。微选。Reliab公司。32, 207-221 (1992) ·doi:10.1016/0026-2714（92）90099-7
[12] Eaton，D.，Murphy，K.P.：从不确定干预中学习精确的贝叶斯结构。摘自：国际人工智能和统计会议，第107-114页（2007年）·Zbl 1143.62002号
[13] Fan，X.，Malone，B.，Yuan，C.：利用从数据中获得的约束来寻找最佳贝叶斯网络结构。附：第30届人工智能不确定性年会论文集（2014）
[14] Grünwald，P.：最小描述长度原则。麻省理工学院出版社，剑桥（2007）
[15] Heckerman，D.，Geiger，D.，Chickering，D.M.：学习贝叶斯网络：组合知识和统计数据。机器。学习。20(3), 197-243 (1995) ·Zbl 0831.68096号
[16] 赫克曼，D。；米克，C。；库珀，G。；Glymour，C.（编辑）；库珀，GF（编辑），《计算、因果关系和发现》，141-166（1999），门洛·帕克·Zbl 0956.68534号
[17] Jozani，Jafari，Parsian，A.：熵损失函数下k-Records数据的后验遗憾Γ-极小极大估计和预测。Commun公司。统计-理论。方法37，2202-2212（2008）·Zbl 1143.62002号
[18] Jensen，F.V.：贝叶斯网络简介。Springer-Verlag，纽约（1996）
[19] Koski，T.、Noble，J.M.：贝叶斯网络——简介。John Wiley and Sons，纽约（2011）·Zbl 1277.62022号
[20] Lauritzen，S.L.，Spiegelhalter，D.J.：图形结构概率的局部计算及其在专家系统中的应用。J.R.Stat.Soc.系列B 50，157-224（1988）·Zbl 0684.68106号
[21] Parsian，A.，Kirmani，S.N.U.A.：LINEX函数下的估计。收录于：Ullah，A.，Wan，A.T.K.，Chaturvedi，A.（编辑），第53-76页（2002年）·Zbl 0639.62021号
[22] Pearl，J.：智能系统中的概率推理。Morgan Kaufmann，圣马特奥（1988）·Zbl 0746.68089号
[23] Ramoni，M.，Sebastiani，P.：贝叶斯方法。智能数据分析。导言，第131-168页。施普林格，柏林-海德堡（2003）
[24] Silander，T.、Roos，T.和Myllymki，P.：学习局部极小极大最优贝叶斯网络。国际期刊近似原因。51(5), 544-557 (2010) ·doi:10.1016/j.ijar.2010.012
[25] Sivaganesan，S.：具有任意污染的先兆的后验测量范围。Commun公司。统计-Theor。方法17，1591-1612（1988）·Zbl 0639.62021号 ·doi:10.1080/03610928808829700
[26] Sivaganesan，S.，Berger，J.O.：单峰污染先兆的后验测量范围。Ann.Stat.17，868-889（1989）·Zbl 0724.62032号 ·doi:10.1214/aos/1176347148
[27] Soliman，A.：逐步估算生命参数。IEEE传输。Reliab公司。54, 34-42 (2005) ·doi:10.1109/TR.2004.842528
[28] Spites，P.，Glymour，C.，Scheines，R.：因果关系、预测和搜索，第二版。麻省理工学院出版社，剑桥（2000）·Zbl 0806.62001
[29] Tamada，Y.，Imoto，S.，Miyano，S.:学习最佳贝叶斯网络结构的并行算法。J.机器学习。第12号决议，2437-2459（2011年）·Zbl 1280.68203号
[30] Ueno，M.学习网络由先验和数据的比率决定。在Grunwald，P.，Spirtes，P.（编辑）中。摘自：《第26届人工智能不确定性会议论文集》，第598-605页（2010年）
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。