BigBraveBN: 具有大量节点的贝叶斯网络结构学习算法

Aug, 2022

BigBraveBN: 具有大量节点的贝叶斯网络结构学习算法

BigBraveBN: algorithm of structural learning for bayesian networks with a large number of nodes

Yury Kaminsky, Irina Deeva

TL;DR本文介绍了一种名为 “BigBraveBN” 的高效算法，该算法利用了勇敢系数、互信息度量和最近邻方法，用于学习大型 Bayesian Networks 的结构，并在实验中证明了其效率。

Abstract

Learning a Bayesian network is an NP-hard problem and with an increase in the number of nodes, classical algorithms for learning the structure of Bayesian networks become inefficient. In recent years, some methods and algorithms for learning bayesian networks with a high number of node

bayesian networks structure learning bigbravebn mutual information measure efficiency

发现论文，激发创造

使用贪心搜索从大数据中学习贝叶斯网络：计算复杂度和高效实现

本研究探讨了大数据环境下的贝叶斯网络结构学习问题，提出了使用预测性好坏拟合评分来加速贝叶斯网络学习的方法，并在环境和流行病学数据以及公共数据集上验证了其准确性。

Apr, 2018

贝叶斯网络的大样本学习是 NP 难的

本文研究从数据中学习离散变量贝叶斯网络的算法的复杂度结果，结果表明即使具有独立性、推理或信息神谕，识别高得分的结构也很困难，负面结果也适用于每个节点最多有 K 个父母的离散变量贝叶斯网络，其中 k > 3。

Oct, 2012

高速并行贝叶斯网络结构学习

本文提出了一种基于多核 CPU 的快速解决方案 Fast-BNS，用于加速贝叶斯网络结构学习，通过动态工作池设计、CI 测试分组、缓存友好数据存储和实时生成条件集等优化措施，实现了对处理时间和内存使用的有效控制，并在综合实验研究中证明了其相对于当前多线程技术的显著加速效果。

Dec, 2022

在最优因子范围内找到所有贝叶斯网络结构

提出了一种基于近似算法的模型平均方法，该方法仅考虑可靠的模型且能在数据量较大的情况下高效地进行比较。

Nov, 2018

基于约束的贝叶斯网络结构学习算法：在 bnlearn R 包中的并行和优化实现

本文介绍了如何使用并行化算法代替单处理器机器上基于回溯算法的 Bayesian 网络结构学习，以提高效率和稳定性。同时，利用该框架，以及 4 个参考网络和 2 个现实中的数据集，演示了约束性算法的实现性能。

Jun, 2014

贝叶斯网络的高效可扩展结构学习：算法与应用

提出了一种新的结构学习算法 LEAST，通过优化一个连续的约束优化问题，并基于图的谱半径提出了新的可微的约束函数，该算法在精度、效率和可扩展性方面都具有很高的表现，比现有方法快 1 到 2 个数量级，并可扩展到具有数十万个变量的 BN，LEAST 已在阿里巴巴的 20 多个应用程序中得到具体应用，包括近实时的异常检测和根因错误分析系统、大规模基因表达数据分析和可解释的推荐系统等新领域。

Dec, 2020

基于排序搜索：一种用于学习贝叶斯网络的简单有效算法

本篇论文介绍了一种基于有界入度的节点排序的图搜索算法，以解决根据数据学习贝叶斯网络结构的问题，实验结果表明该算法在得分和运行时间方面优于贪婪爬山法。

Jul, 2012

贝叶斯网络中精确贝叶斯结构发现的进展

本文介绍了一种贝叶斯方法用于从完整数据中学习贝叶斯网络结构，并使用前向 - 后向技术和快速莫比乌斯变换算法实现了对所有潜在边缘后验概率的计算，从而加速了学习中等大小网络的统计能力的实验研究。

Jun, 2012

快速高效从数据中学习贝叶斯网络：知识发现与因果关系

基于 PC 算法的 FSBN 和 SSBN 算法使用局部搜索策略和条件独立性测试从数据中学习因果网络结构，通过引入 d - 分离来推断更多的拓扑信息，优先级调整条件集，并且能够立即和高效地终止搜索，从而实现了高达 52%（FSBN）和 72%（SSBN）的计算成本降低，对于 200 个节点的网络 SSBN 表现出更高的效率，实验证明这两个算法在减少计算成本的同时能够保持与 PC 算法相同的归纳质量，适用于大数据分析的各种应用。

Oct, 2023

贝叶斯线性贝叶斯网络

该研究提出了第一个用于学习高维线性贝叶斯网络的贝叶斯方法，该方法通过反向逐步估计拓扑排序的每个元素及其父节点，使用了偏差协方差矩阵的逆。当应用于具有不等收缩的逆协方差矩阵的贝叶斯正则化时，该方法成功恢复了底层结构。具体来说，该方法表明样本数 n = Ω(d_M^2logp) 和 n = Ω(d_M^2p^{2/m}) 足以让该算法学习具有亚高斯和 4m 阶有界矩的线性贝叶斯网络，其中 p 是节点数，d_M 是道德化图的最大度数。理论发现得到了包括真实数据分析在内的大量模拟研究的支持。此外，该方法在合成数据中表现出优于 BHLSM、LISTEN 和 TD 等频频方法的性能。

Nov, 2023