小数据集下基于改进QMAP算法的BN参数学习

摘要：

贝叶斯网络(bayesian network,BN)小数据集条件下,定性最大后验概率(qualitative maxi-mum a posteriori,QMAP)估计往往会违反给定的专家约束,这就导致QMAP估计偏离真实值.为了克服该算法的缺陷,提出了一种改进的QMAP算法.首先,学习出QMAP估计,再结合保序回归方法对违反不等式约束的参数进行校正;然后使用一种微调策略对校正后的参数做进一步调整,使所得参数能够满足专家约束;最后,与最大似然估计(maximum likelihood estimation,MLE)和QMAP算法对比.仿真实验结果表明:在小数据集条件下,提出的算法满足所有约束条件,KL(Kullback-Leibler)散度始终低于其他2种算法,运行时间高于其他2种算法约0.1 s,影响甚微,且推理结果贴近真实值,偏差维持在±0.05之间.改进的QMAP算法的综合性能优于MLE、QMAP算法,并具有较好的实用性.

关键词：贝叶斯网络(BN)、参数学习、小数据集、定性最大后验概率(QMAP)、保序回归、KL散度

所属期刊栏目：37

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金51905405

在线出版日期：2023-03-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：126-133