一种贝叶斯网络结构学习的混合随机抽样算法

摘要：

贝叶斯网络结构学习的随机抽样算法存在收敛速度慢的问题，为此，结合均匀抽样和独立抽样，从初始样本、抽样方式和建议分布3个方面对抽样过程进行改进，提出一种混合型马尔可夫链蒙特卡罗抽样算法(HSMHS)。基于节点之间的互信息生成网络结构的初始样本，在迭代抽样阶段，按一定的概率随机选择均匀抽样和独立抽样，并根据当前抽样的样本总体计算独立抽样的建议分布，以改善抽样过程的融合性，加快收敛速度。对算法进行正确性分析，证明其抽样过程收敛于网络结构的后验概率分布，可保持较高的学习精度。在标准数据集上的实验结果表明，HSMHS算法的学习效率和精度均高于同类算法MHS、PopMCMC和Order-MCMC。

关键词：贝叶斯网络、结构学习、随机抽样、混合抽样、子结构抽样、建议分布

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金资助项目“基于协同训练策略的不完全标记数据流分类问题研究”61273292；安徽省自然科学基金资助项目“面向若干复杂场景的水平集图像分割关键技术研究”1308085MF84；合肥学院人才基金资助项目“基于多数据源和概率图模型的基因调控网络建模与分析研究”1308085MF84。

在线出版日期：2014-06-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：238-242