Xiaofeng

Towards Fast and Efficient Algorithm for Learning Bayesian Network

2015 · Acta Scientiarum Naturalium Universitatis Sunyatseni

学习贝叶斯的网络结构是在机器学习的最令人激动的挑战之一。发现一张指导的非循环的图(DAG ) 的一架正确骨骼是为为这个问题的相关性分析算法的基础。就独立(CI ) 测试的高顺序状况的 unreliability 而言，并且到改进一个相关性分析算法的效率，关键步是使用 CI 测试的很少数字并且减少调节集合的尺寸像一样可能。把原因基于这些并且由算法 PC 启发了，我们在场一个算法，说出快、有效的 PC (FEPC ) ，为听说邻近的邻居每个变量。FEPC 由三种订单实现 CI 测试，它显著地减少高顺序 CI 测试。与当前的算法建议相比，实验结果证明 FEPC 与条件独立测试的更少数字和调节集合的更小的尺寸有更好的精确性。CI 测试的最高的减小百分比与 PC 算法相比由 EFPC 是 83.3% 。