多维贝叶斯网络分类器加速学习算法

摘要：

作为概率图模型,无限制多维贝叶斯网络分类器(GMBNC)是贝叶斯网络(BN)应用在多维分类应用时的精简模型,只包含对预测有效的局部结构.为了获得GMBNC,传统方法是先学习全局BN;为了避免全局搜索,提出了仅执行局部搜索的结构学习算法DOS-GMBNC.该算法继承了之前提出的IPC-GMBNC算法的主体框架,基于进一步挖掘的结构拓扑信息来动态调整搜索次序,以避免执行无效用的计算.实验研究验证了DOS-GMBNC算法的效果和效率:(1)该算法输出的网络质量与IPC-GMBNC一致,优于经典的PC算法;(2)在一个包含100个节点的问题中,该算法相对于PC和IPC-GMBNC算法分别节省了近89％和45％的计算量.

关键词：多维分类、贝叶斯网络、多维贝叶斯网络分类器、马尔科夫毯

所属期刊栏目：42

分类号：TP181;TP391(自动化基础理论)

资助基金：国家自然基金项目61305058,61300139;福建省自然科学基金2014J05074;中央高校基本科研基金11J0263;厦门科技计划基金资助项目3505Z20133027;华侨大学科研基金11Y0274

在线出版日期：2015-07-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：262-267