基于Markov毯分解的抽样近似推理算法

现有的贝叶斯推理算法不同程度地存在推理精度低或推理时间长的问题.文中提出一种基于Markov毯分解的抽样近似推理算法(LSIA-MB).LSIA-MB算法利用HITON_MB算法寻找查询结点的Markov毯,进而利用动态规划方法学习边的后验概率,确定变量之间的因果关系,获得一个关于查询结点的Markov局部网络模型.最后,在Markov局部模型上执行Gibbs Sampling.通过对Markov局部模型的抽样,极大降低推理的计算维数.同时,由于Markov局部网络模型包含与目标结点相关的完整信息,从而保证局部抽样推理的精度.算法分析和在标准Alarm网的实验结果均表明,LSIA-MB算法降低推理时间,且提高推理精度.LSIA-MB算法在上海股票交易网络上的推理预测结果显示出较强的实用性.

基于局部依赖分析的特征子集选择

Bayesian网络是特征子集选择的有力工具,基于Bayesian网络特征子集选择就是建立类变量的Markov毯.文中在对变量之间基本依赖关系、结点之间基本结构、依赖分离标准和Markov毯进行分析的基础上,基于局部依赖分析方法进行类变量的Markov毯学习.在一些假设下可证明学习得到的特征子集是类变量的Markov毯.相对于现有的基于Bayesian网络特征子集选择方法,该方法更加灵活、高效和可靠.