概率图模型学习技术研究进展

摘要：

概率图模型能有效处理不确定性推理，从样本数据中准确高效地学习概率图模型是其在实际应用中的关键问题。概率图模型的表示由参数和结构两部分组成，其学习算法也相应分为参数学习与结构学习。本文详细介绍了基于概率图模型网络的参数学习与结构学习算法，并根据数据集是否完备而分别讨论各种情况下的参数学习算法，还针对结构学习算法特点的不同把结构学习算法归纳为基于约束的学习、基于评分搜索的学习、混合学习、动态规划结构学习、模型平均结构学习和不完备数据集的结构学习。并总结了马尔科夫网络的参数学习与结构学习算法。最后指出了概率图模型学习的开放性问题以及进一步的研究方向。

关键词：概率图模型、贝叶斯网络、马尔科夫网络、参数学习、结构学习、不完备数据集

分类号：TP3;TP1

资助基金：国家重点基础研究发展计划973计划2012CB720500;国家自然科学基金21006127;中国石油大学北京基础学科研究基金JCX K-2011-07资助@@@@Supported by National Basic Research Program of China 973 Program2012CB720500;National Natural Science Founda-tion of China21006127;Basic Subject Research Fund of China University of PetroleumJCXK-2011-07

在线出版日期：2014-07-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共20页

页码：1025-1044