×

多变量的马尔可夫覆盖和马尔可夫边界。 (英语) Zbl 1467.62093号

摘要:马尔可夫覆盖(Mb)和马尔可夫边界(Mb)是贝叶斯网络(BNs)中的两个关键概念。在本文中,我们研究了多变量的Mb和Mb问题。首先,我们证明了在局部交集假设下,Mb具有可加性,即通过简单地取单个目标Mbs的并集并移除目标本身,即可构造多个目标的Mb。MB也被证明在局部交集假设下具有可加性。其次,我们分析了违反Mb和Mb可加性的情况,提出了马尔可夫覆盖补充(MbS)和马尔可夫边界补充(MbS)的概念。详细研究了MbS和MbS的性能。第三,我们构建了两个MB发现算法,并在局部合成假设下证明了它们的正确性。我们还讨论了实际进行条件独立性测试的方法,并分析了算法的复杂性。最后,我们基于六个方面进行了基准研究合成BN,然后将MB发现应用于基于实际数据集的多类预测。实验结果表明,我们的算法比现有算法具有更高的精度和更低的复杂度。

MSC公司:

62甲12 多元分析中的估计
62M45型 神经网络及从随机过程推断的相关方法
PDF格式BibTeX公司 XML格式引用
全文: 链接

参考文献:

[1] 君士坦丁·阿里费利斯(Constantin F Aliferis)、伊奥安尼斯·沙马尔蒂诺斯(Ioannis Tsamardinos)和亚历山大·斯坦尼科夫(Alexander Statnikov)。Hiton:一种用于优化变量选择的新型马尔可夫覆盖算法。AMIA 2003年度研讨会会议记录,第21-25页。美国医学信息学协会,2003年。
[2] Constantin F Aliferis、Alexander Statnikov、Ioannis Tsamardinos、Subramani Mani和Xenofon D Koutsoukos。用于因果发现和分类特征选择的局部因果和马尔可夫覆盖归纳第一部分:算法和实证评估。机器学习杂志 研究2010年11月171日至234日a·Zbl 1242.68197号
[3] Constantin F Aliferis、Alexander Statnikov、Ioannis Tsamardinos、Subramani Mani和Xenofon D Koutsoukos。用于因果发现和分类特征选择的局部因果和马尔可夫覆盖归纳第二部分:分析和扩展。机器学习研究杂志,11:235–2842010年b·Zbl 1242.68198号
[4] Ingo A Beinlich、H J Suermondt、R Martin Chavez和Gregory F Cooper。ALARM监控系统:信念网络的两种概率推理技术的案例研究。第二届欧洲医学人工智能会议,第247-256页,伦敦,1989年。斯普林格·弗拉格。
[5] 利奥·布雷曼(Leo Breiman)。随机森林。机器学习,45(1):2001年10月5–32日。编号1573-0565。doi:10.1023/A:1010933404324。统一资源定位地址https://doi.org/10.1023/A:1010933404324。 ·Zbl 1007.68152号
[6] 谢尔盖·布林(Sergey Brin)、拉杰夫·莫特瓦尼(Rajeev Motwani)和克雷格·西尔弗斯坦(Craig Silverstein)。超越市场篮子:将关联规则推广到相关性。1997年ACM SIGMOD International的SIGMOD'97会议记录 数据管理会议,第26卷,第265–276页。ACM,1997年。
[7] 法昆多·布隆伯格和迪米特里斯·马加里蒂斯。使用论证提高小数据集因果发现的可靠性。机器学习研究杂志, 10:301–340, 2009. ·Zbl 1235.68132号
[8] 加文·布朗、亚当·波科克、赵明杰和米凯尔·卢杰安。条件似然最大化:信息论特征选择的统一框架。机器杂志 学习研究, 13:27–66, 2012. (版本:MIToolbox-2.0)。47 ·Zbl 1283.68283号
[9] 张志忠和林志仁。LibSVM:支持向量机库。ACM公司 智能系统与技术汇刊, 2:27:1–27:27, 2011. 软件可在网址:http://www.csie.ntu.edu.tw/●cjlin/libsvm。
[10] 郑洁(Jie Cheng)、拉塞尔·格雷纳(Russell Greiner)、乔纳森·凯利(Jonathan Kelly)、大卫·贝尔(David Bell)和刘伟如(Weiru Liu)。从数据中学习贝叶斯网络:一种基于信息理论的方法。人工智能, 137(1–2):43–90, 2002. ·Zbl 0995.68114号
[11] 威廉·科克伦(William G Cochran)。加强常用χ2检验的一些方法。生物识别, 10(4): 417–451, 1954. ·Zbl 0059.12803号
[12] 托马斯·M·盖和乔伊·A·托马斯。信息论要素(第二版)John Wiley and Sons,2006年·Zbl 1140.94001号
[13] 诺埃尔·克雷西和蒂莫西·里德。皮尔逊的X(X)2和对数似然比统计量G公司2:比较综述。国际统计评论, 57(1):19–43, 1989. ·Zbl 0707.62105号
[14] R´on´an Daly、Qiang Shen和Stuart Aitken。学习贝叶斯网络:方法和问题。知识工程综述, 26(2):99–157, 2011.
[15] 路易斯·德坎波斯。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。机器学习研究杂志2006年10月7日:2149–2187·Zbl 1222.62036号
[16] 傅顺凯和米歇尔·德斯马拉斯。马尔可夫覆盖发现的局部学习算法。人工智能 2007年:人工智能进展,第68–79页。施普林格-柏林-海德堡,2007年。
[17] 傅顺凯和米歇尔·德斯马拉斯。基于马尔可夫毯子的特征选择:过去十年的回顾。世界工程大会会议记录, 2010.
[18] 高慧萱。统计计算北京大学出版社,北京,2005年。
[19] 巴拉克里什纳·霍斯曼(Balakrishna Hosmane)。多项式拟合优度的改进似然比检验。通讯- 统计学原理与方法, 16(11):3185–3198, 1987. ·Zbl 0631.62055号
[20] Balakrishna S Hosmane公司。等概率多项式性质的似然比统计量的平滑。统计数学研究所年鉴, 42(1):133–147, 1990. ·Zbl 0703.62055号
[21] 胡斯曼理学学士。二维列联表中独立性的改进似然比检验和皮尔逊齐方检验。统计学中的传播——理论与方法, 15(6): 1875–1888, 1986. ·Zbl 0605.62042号
[22] 詹姆斯·肯尼迪和罗素·C·埃伯哈特。粒子群优化。1995年IEEE会议记录 国际神经网络会议第4卷,第1942-1948页,珀斯,1995年。
[23] 詹姆斯·肯尼迪和罗素·C·埃伯哈特。粒子群算法的离散二进制版本。IEEE系统、人与控制论国际会议第5卷,第4104–4108页,奥兰多,1997年。
[24] Daphne Koller和Mehran Sahami。朝向最佳功能选择。十三国际 机器学习会议斯坦福信息实验室,1996年。48
[25] D.N.劳利。近似似然比准则分布的一般方法。生物特征, 43(3–4):295–303, 1956. ·兹伯利0073.13602
[26] 简·勒梅尔(Jan Lemeire)。多元系统因果模型的学习及其对执行者的价值- 计算机程序的性能建模ASP/VUBPRESS/UPA,博士论文,2007年。
[27] Jan Lemeire、Stijn Meganck、Francesco Cartella和Tingting Liu。在缺乏邻接信度的情况下,基于保守独立性的因果结构学习。国际期刊 近似推理, 53(9):1305–1325, 2012. ·Zbl 1266.68159号
[28] 迪米特里斯·马加里蒂斯和塞巴斯蒂安·特伦。通过局部邻域进行贝叶斯网络归纳。技术报告CMU-CS-99-1341999。
[29] 迪米特里斯·马加里蒂斯和塞巴斯蒂安·特伦。通过局部邻域进行贝叶斯网络归纳。神经信息处理系统研究进展第12卷,第505-511页。Morgan Kaufmann,2000年。
[30] 凯文·墨菲(Kevin P.Murphy)。Matlab的Bayes Net工具箱, 2007. (版本:FullBNT-1.0.7)。
[31] 理查德·E·那不勒斯。学习贝叶斯网络《上鞍河:普伦蒂斯·霍尔》,2004年。
[32] Pekka Parviainen和Mikko Koivisto。使用优先约束寻找最优贝叶斯网络。机器学习研究杂志, 14(1):1387–1415, 2013. ·Zbl 1317.68181号
[33] 朱迪娅·珀尔。智能系统中的概率推理:合理推理网络旧金山:Morgan Kaufmann,1988年·Zbl 0746.68089号
[34] Jean-Philippe Pellet和Andre’e Elissee ffe。使用马尔可夫毛毯进行因果结构学习。机器学习研究杂志2008年9月295日至1342日·Zbl 1225.68205号
[35] 何塞·M·佩纳、罗兰·尼尔森、约翰·比杰·奥克格伦和杰斯珀·特格纳。迈向马尔可夫边界的可扩展和数据高效学习。国际近似推理杂志, 45(2): 211–232, 2007.
[36] 约瑟夫·拉姆齐(Joseph Ramsey)、张继吉(Jiji Zhang)和彼得·斯皮特斯(Peter L Spirtes)。邻信度和保守因果推理。第22届人工智能不确定性年会论文集 (UAI-2006)第401–408页,2006年。
[37] 约翰内斯·劳赫(Johannes Rauh)、尼尔斯·贝辛格(Nils Bertschinger)、埃克哈德·奥尔布里奇(Eckehard Olbrich)和尤根·约斯特(Jurgen Jost)。重新考虑独特信息:走向多元信息分解。2014 IEEE国际交响乐团- 信息论sium(ISIT),第2232–2236页。IEEE,2014年。
[38] 费德里科·施勒(Federico Schl¨uter)。基于独立性的马尔可夫网络学习研究综述。人工智能- gence审查, 42:1069–1093, 2014.
[39] Marco Scutari。使用bnlearn R包学习贝叶斯网络。统计杂志 软件, 35:1–22, 2010.
[40] Craig Silverstein、Sergey Brin和Rajeev Motwani。超越市场篮子:将关联规则泛化为依赖规则。数据挖掘与知识发现, 2(1):39–68, 1998. 49
[41] Alexander Statnikov和Constantin F Aliferis。分子签名多重性的分析和计算剖析。计算生物学,6(5):e1000790,2010年。
[42] Alexander Statnikov、Nikita I.Lytkin、Jan Lemeire和Constantin F Aliferis。多马尔可夫边界发现算法。机器学习研究杂志, 14(1):499– 566, 2013. ·兹比尔1319.68194
[43] Ioannis Tsamardinos和Constantin F Aliferis。走向原则性特征选择:相关性、过滤器和包装器。第九届人工智能国际研讨会论文集 和统计, 2003.
[44] Ioannis Tsamardinos、Constantin F Aliferis和Alexander Statnikov。大规模马尔可夫覆盖发现算法。第十六届国际佛罗里达人工智能大会论文集- 智能研究学会会议(FLAIRS),第376–381页,2003年。
[45] Ioannis Tsamardinos、Laura E Brown和Constantin F Aliferis。最大爬山贝叶斯网络结构学习算法。机器学习, 65(1):31–78, 2006.
[46] 桑迪普·亚拉马卡拉(Sandeep Yaramakala)。快速马尔可夫覆盖发现.MS论文,2004年。
[47] 张连文和郭海鹏。贝叶斯网络简介《科学出版社》,北京,2006年。
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。