比达格

有向无环图的贝叶斯推理。有向无环图(DAG)贝叶斯结构学习的MCMC方法集合的实现,包括连续和离散数据。为了对较大的数据集进行有效的推理,需要根据数据对数据集的空间进行剪枝。为了过滤搜索空间,该算法采用了一种混合方法,将基于约束的学习与搜索和评分相结合。首先根据PC算法得到的骨架,定义一个简化的搜索空间,然后通过搜索和评分进行迭代改进。然后,搜索和评分按照两种方法执行:顺序mcc或分区MCMC。BGe分数用于连续数据,BDe分数用于二进制数据或分类数据。算法可以从给定数据的后验分布中提供最大的后验图(MAP)图或样本(dag的集合)。这些算法同样适用于动态贝叶斯网络的结构学习。参考文献:J。柯伊伯,P。苏特和G。财政部(2018年)<arXiv:1803.07859v2>,N。弗里德曼和D。科勒(2003)<doi:10.1023/年:1020249912095>,D。盖革和D。赫克曼(2002)<doi:10.1214/aos/1035844981>,J。柯伊伯和G。财政部(2017)<doi:10.1080/01621459.2015.1133426>,M。Kalisch等人(2012年)<doi:10.18637/jss.v047.i11>.