Partitioned hybrid learning of Bayesian network structures
Partitioned hybrid learning of Bayesian network structures
复制标题
贝叶斯网络结构的分区混合学习
DOI：
10.1007/s10994-022-06145-4
复制
发表时间：
2022
期刊：
影响因子：
7.5
通讯作者：
Zhou, Qing
中科院分区：
文献类型：
--
作者：
Huang, Jireh;Zhou, Qing
提出了一种新的混合贝叶斯网络结构学习方法--分区混合贪婪搜索算法(PHGS)，该算法由三种不同但兼容的新算法组成：分区PC(PPC)通过分治策略加速骨架学习，p值邻接阈值(PATH)一次执行有效地完成参数调整，混合贪婪初始化(HGI)最大限度地利用基于约束的信息来获得高得分和高性能的初始图用于贪婪搜索。我们建立了算法在大样本限制下的结构学习一致性，并通过大量的数值比较分别和集体经验地验证了我们的方法。与PC算法相比，PPC和PATH的综合优点在不牺牲估计结构精度的情况下实现了显著的计算量减少，并且我们普遍适用的HGI策略可靠地提高了流行的混合算法的估计结构精度，而额外的计算量可以忽略不计。我们的实验结果证明了PHGS与许多最先进的结构学习算法相比具有竞争性的经验性能。
We develop a novel hybrid method for Bayesian network structure learning called partitioned hybrid greedy search (pHGS), composed of three distinct yet compatible new algorithms: Partitioned PC (pPC) accelerates skeleton learning via a divide-and-conquer strategy,p-value adjacency thresholding (PATH) effectively accomplishes parameter tuning with a single execution, and hybrid greedy initialization (HGI) maximally utilizes constraint-based information to obtain a high-scoring and well-performing initial graph for greedy search. We establish structure learning consistency of our algorithms in the large-sample limit, and empirically validate our methods individually and collectively through extensive numerical comparisons. The combined merits of pPC and PATH achieve significant computational reductions compared to the PC algorithm without sacrificing the accuracy of estimated structures, and our generally applicable HGI strategy reliably improves the estimation structural accuracy of popular hybrid algorithms with negligible additional computational expense. Our empirical results demonstrate the competitive empirical performance of pHGS against many state-of-the-art structure learning algorithms.
登录
查看更多内容
DOI：
10.1109/tpds.2019.2939126
发表时间：
2018-12
影响因子：
5.3
作者：
Behrooz Zarebavani;Foad Jafarinejad;Matin Hashemi;Saber Salehkaleybar
通讯作者：
Behrooz Zarebavani;Foad Jafarinejad;Matin Hashemi;Saber Salehkaleybar
影响因子：
6.8
作者：
AKAIKE, H
通讯作者：
AKAIKE, H
DOI：
--
发表时间：
2015
期刊：
arXiv.org
影响因子：
--
作者：
J. Ramsey
通讯作者：
J. Ramsey
学习大型高斯贝叶斯网络：划分、估计和融合
影响因子：
6
作者：
J. Gu;Qing Zhou
通讯作者：
Qing Zhou