小数据集下基于修正乘性协同约束的BN参数学习
任智芳
陈海洋
环晓敏
尚珊珊
西安工程大学电子信息学院,西安,710048
摘要：在一些特定情况下,获取充足样本十分困难,导致最大似然估计算法学习到的 BN 参数精度往往较低,并且一些实际应用领域中已涉及多父节点协同影响约束的问题.对此,通过借鉴 PAVA 保序回归算法思想,提出了一种小数据集下基于修正乘性协同约束的BN参数学习方法.首先,判断已知样本数据中多父节点部分的参数是否满足乘性协同约束;其次,把不满足乘性协同约束的左右两边划分为整体,用PAVA算法分别对其进行调整,针对调整后的整体,根据不同父节点组合状态对应的样本数据量,给出 3 种权值不同的校正方法,对每个参数进行修正,得到最终参数学习结果;最后,运用经典草地湿润网络模型对提出的方法进行仿真验证.研究结果表明,在小数据集条件下,提出的方法不仅满足了乘性协同约束,而且 KL 散度始终低于其他 2 种方法,但运行时间略高于其他 2 种方法约 1～10-3 s,影响甚微.总体上,所提算法的综合性能优于其他 2 种方法.
关键词：贝叶斯网络参数学习小数据集乘性协同约束
分类号：TP181(自动化基础理论)
资助基金：国家自然科学基金(51905405)
论文发表日期：2023-08-25
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 69-76 )
英文信息