贝叶斯网等价类学习算法
贝叶斯网用一种紧凑的形式表示联合概率分布,具有完备的语义和坚实的理论基础,目前已成为人工智能领域处理不确定性问题的最佳方法之一.贝叶斯网学习是其关键问题,传统学习方法存在如下不足:(1)随节点数增多非法结构以指数级增加,影响学习效率;(2)在等价结构之间进行打分搜索,影响收敛速度;(3)假设每个结构具有相同的先验概率,造成等价类中包含结构越多则先验概率越高.本文提出一种学习马尔科夫等价类算法,该算法基于骨架空间进行状态转换,利用从骨架空间到等价类空间的映射关系实现学习贝叶斯网等价类.实验数据证明,该方法可有效缩小搜索空间规模,相对于在有向图空间搜索的算法加快了算法的收敛速度,提高了执行效率。
贝叶斯网 结构学习 马尔科夫等价类 链图 学习算法 人工智能 学习效率
贾海洋 刘大有 陈娟 关淞元
吉林大学计算机科学与技术学院,吉林,长春,130012 吉林大学符号计算与知识工程教育部重点实验室,吉林,长春,130012
国内会议
西安
中文
63-67,71
2008-09-19（万方平台首次上网日期，不代表论文的发表时间）