小样本贝叶斯网络参数学习方法

摘要：

当训练数据充分时,极大似然估计方法是贝叶斯网络参数学习典型且有效的方法.但当训练数据量少且领域知识缺乏时,极大似然估计往往无法给出一致无偏的参数估计.为此,提出一种新的贝叶斯网络参数学习方法TL-WMLE.将极大似然估计方法与迁移学习理论、样本不均衡方法相结合,解决数据量过少、领域知识缺乏时的贝叶斯网络参数学习问题.使用SMOTE-N方法构建辅助分类器,并依据协变量偏移理论,利用辅助分类器的分类结果来计算源域数据权值.采用赋权的源域数据和目标域数据构造目标域的似然函数,应用该似然函数对目标域的参数进行极大似然估计.实验结果表明,在小样本情况下,该方法的分类精度优于极大似然估计方法.

关键词：贝叶斯网络、参数学习、小样本、迁移学习、目标域

所属期刊栏目：42

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金资助项目“机器学习核方法模型选择与组合的核矩阵近似分析方法”61170019

在线出版日期：2016-10-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：153-159,165