A Structure Learning Algorithm for Bayesian Network Using Prior Knowledge

从数据学习结构是贝叶斯的网络研究的最重要的基本任务之一。特别地，听说可选的结构贝叶斯的网络是非确定的多项式时间(NP ) 难问题。到解决这个问题，许多启发式的算法被建议了，并且他们中的一些学习在优先的知识的不同类型的帮助下的贝叶斯的网络结构。然而，存在算法在优先的知识上有一些限制，例如优秀限制和使用限制。这使在这些算法使用优先的知识很好困难。在这篇论文，我们介绍优先的知识进 Markov 链蒙特卡罗(MCMC ) 算法并且建议一个算法把抑制 MCMC (C-MCMC ) 称为算法听说结构贝叶斯的网络。优先的知识的三种类型被定义：父母节点，父母节点的缺席，和包括边的有条件的概率分发(CPD ) 和节点的概率分发(PD ) 的分发知识的存在。所有容易在这个算法优先的知识的这些类型被使用。我们进行广泛的实验表明建议方法 C-MCMC 的可行性和有效性。