×

从小数据集学习贝叶斯网络参数:一种进一步约束的定性最大后验方法。 (英语) Zbl 1419.68075号

摘要:为了提高贝叶斯网络中参数的学习精度,通常将领域知识作为参数约束纳入学习过程。基于MAP(最大后验概率)的方法利用了样本数据和领域知识,在文献中得到了很好的研究。在所有基于MAP的方法中,QMAP(Qualitatively Maximum a Posteriori)方法表现出最佳的学习性能。然而,当数据不足时,QMAP给出的估计往往无法满足所有凸参数约束,这使得整体QMAP估计不可靠。为了确保QMAP估计不违反任何给定的参数约束,并进一步提高学习精度,本文提出了一种FC-QMAP(further Constrained Qualitatively Maximum a Posteriori)算法。该算法通过凸优化将数据估计替换为进一步的约束估计来调节QMAP估计。实验和理论分析表明,该算法优于现有的大多数参数学习方法(即最大似然法、约束最大似然、最大熵、约束最大熵、最大后验概率和定性最大后验验概率)。

MSC公司:

68T05型 人工智能中的学习和自适应系统

软件:

NESTOR公司
PDF格式BibTeX公司 XML格式引用
全文: 内政部 链接

参考文献:

[1] Pearl,J.,《智能系统中的概率推理》(1988),摩根·考夫曼:摩根·考夫曼旧金山
[2] Tamda,Y。;伊莫托,S。;Araki,H.,在大规模并行计算机上使用非参数贝叶斯网络模型估计全基因组基因网络,IEEE/ACM Trans。计算。生物信息。,8, 3, 683-697 (2011)
[3] 婴儿,G。;加拉布,M。;Ingrand,F.,学习机器人的行为模型,Auton。机器人,30,2,157-177(2011)
[4] 易卜拉欣,W。;Beiu,V.,《使用贝叶斯网络精确计算互补金属氧化物半导体门的可靠性》,IEEE Trans。信实。,60, 3, 538-549 (2011)
[5] 马斯卡罗,S。;Nicholso,A.E。;Korb,K.B.,《使用贝叶斯网络进行船舶航迹异常检测》,《国际期刊近似原因》。,55, 1, 84-98 (2014)
[6] Wachowski,N。;Azimi-Sadjadi,M.R.,使用稀疏近似和贝叶斯网络检测和分类非平稳瞬态信号,IEEE/ACM Trans。音频语音语言处理。,22, 12, 1750-1764 (2014)
[7] 兰杜特,D。;Broekx,S。;D'Hondt,R。;Engelen,G。;Aertsens,J。;Goethals,P.L.M.,《生态系统服务建模中贝叶斯信念网络综述》,环境。模型。软质。,46, 7, 1-11 (2013)
[8] 杏仁,R.G。;Yan,D。;威廉姆森,D.M。;Mislevy,R.J。;Steinburg,L.S.,教育评估中的贝叶斯网络,Stat.Soc.Behav。科学。,47395-103(2015年)
[9] Redner,R.A。;Walker,H.F.,《混合密度、最大似然和EM算法》,SIAM Rev.,26,2,195-239(1984)·Zbl 0536.62021号
[10] Seixas,F.L.公司。;扎德罗兹尼,B。;Laks,J。;Conci,A。;Saade,D.C.M.,支持痴呆症、阿尔茨海默病和轻度认知障碍诊断的贝叶斯网络决策模型,计算机。生物医学,51,7,140-158(2014)
[11] 胡锦林。;唐,X.W。;邱,J.N.,基于解释性结构建模预测地震液化的贝叶斯网络方法,Georisk,9,3,200-217(2015)
[12] 公元前康斯坦蒂诺。;弗里斯通,M。;西马什。;芬顿,N。;Coid,J.,《囚犯暴力再犯罪的风险评估和风险管理》,专家系统。申请。,42, 21, 7511-7529 (2015)
[13] Helsper,E.M。;范德加格,L.C。;Groenendal,F.,《设计贝叶斯网络概率约束获取程序》,(第14届语义网络时代工程知识会议论文集(2004)),280-292
[14] Wittig,F。;Jameson,A.,在贝叶斯网络条件概率学习中利用定性知识,(第16届国际人工智能不确定性会议论文集(2000)),644-652
[15] Altendorf,E.E。;Restificar,A.C。;Dietterich,T.G.,通过利用单调性约束从稀疏数据中学习,(第21届人工智能不确定性国际会议论文集(2005)),18-26
[16] 塞尺,A。;van der Gaag,L.C.,在订单约束下学习贝叶斯网络参数,国际期刊近似推理。,42, 37-53 (2006) ·Zbl 1096.68697号
[17] Isozaki,T。;加藤,N。;Ueno,M.,《贝叶斯网络参数学习的最小自由能中的数据温度》,国际期刊Artif。因特尔。工具,18,5,653-671(2009)
[18] 坎波斯,C.P.D。;Tong,Y。;季强,用于面部动作识别的贝叶斯网络约束最大似然学习,(第十届欧洲计算机视觉会议论文集(2008)),168-181
[19] 坎波斯,C.P.D。;季强,利用约束改进贝叶斯网络参数学习,(第19届模式识别国际会议论文集(2008)),1-4
[20] 周,Y。;芬顿,N。;Zhu,C.,具有单调影响约束的贝叶斯网络参数学习的实证研究,Decis。支持系统。,87, 69-79 (2016)
[21] Chang,R。;Wang,W.,带信息先验约束的贝叶斯网络参数学习新算法,(神经网络国际联合会议论文集(2010)),1-8
[22] Di,R.H.等人。;Gao,X.G。;郭志刚,基于单调约束的离散贝叶斯网络参数学习,J.Syst。电子工程。,36, 2, 272-277 (2014) ·Zbl 1313.68089号
[23] 周,Y。;北芬顿。;Neil,M.,使用数据和专家判断进行多项式参数学习的贝叶斯网络方法,国际期刊近似推理。,55, 5, 1252-1268 (2014) ·Zbl 06289944号
[24] Cooper,G.F.,《NESTOR:一种基于计算机的医学诊断辅助工具,结合因果和概率知识》(1984),斯坦福大学,技术代表HPP-84-48
[25] Dasgupta,S.,学习固定结构贝叶斯网络的样本复杂性,马赫。学习。,29, 2-3, 165-180 (1997) ·Zbl 0892.68078号
[26] Wellman,M.P.,《定性概率网络的基本概念》,Artif。智力。,44, 3, 257-303 (1990) ·Zbl 0717.68097号
[27] Kullback,S。;Leibler,R.A.,《信息与充分性》,《数学年鉴》。《统计》,22,1,79-86(1951)·Zbl 0042.38403号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,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。